Prostota przede wszystkim: ocena odporności na awarie uczenia federacyjnego z udziałem zawodnych klientów
Author
Venue
IEEE Cloud 2023
Abstract
Uczenie federacyjne (FL), jako nowatorskie podejście w dziedzinie sztucznej inteligencji (AI), umożliwia zdecentralizowane szkolenie modeli na wielu urządzeniach bez ujawniania lokalnych danych szkoleniowych. FL zyskuje coraz większą popularność zarówno w środowisku akademickim, jak i w przemyśle. Chociaż zaproponowano prace badawcze mające na celu poprawę odporności FL na awarie, rzeczywisty wpływ zawodnych urządzeń (np. utrata połączenia, nieprawidłowa konfiguracja, niska jakość danych) w rzeczywistych zastosowaniach nie został w pełni zbadany. Starannie wybraliśmy dwa reprezentatywne, rzeczywiste problemy klasyfikacyjne z ograniczoną liczbą klientów, aby lepiej przeanalizować odporność FL na awarie. Wbrew intuicji proste algorytmy FL mogą działać zaskakująco dobrze w obecności zawodnych klientów.
