ทำให้เรียบง่าย: การประเมินความทนต่อข้อผิดพลาดของการเรียนรู้แบบรวมศูนย์ที่มีไคลเอนต์ที่ไม่น่าเชื่อถือ
Author
Venue
IEEE Cloud 2023
Abstract
การเรียนรู้แบบสหพันธ์ (FL) ซึ่งเป็นแนวทางปัญญาประดิษฐ์ (AI) ที่กำลังเกิดขึ้นใหม่ ช่วยให้สามารถฝึกอบรมโมเดลแบบกระจายศูนย์ข้ามอุปกรณ์หลายเครื่องได้โดยไม่ต้องเปิดเผยข้อมูลการฝึกอบรมในเครื่องแต่ละเครื่อง FL ได้รับความนิยมเพิ่มขึ้นทั้งในวงการวิชาการและอุตสาหกรรม แม้ว่าจะมีการวิจัยที่เสนอแนวทางเพื่อปรับปรุงความทนทานต่อข้อผิดพลาดของ FL แต่ผลกระทบที่แท้จริงของอุปกรณ์ที่ไม่น่าเชื่อถือ (เช่น การหลุดออกจากระบบ การกำหนดค่าผิดพลาด คุณภาพข้อมูลต่ำ) ในการใช้งานจริงยังไม่ได้รับการศึกษาอย่างครบถ้วน เราได้คัดเลือกปัญหาการจำแนกประเภทที่เป็นตัวแทนจากโลกจริงสองปัญหาอย่างรอบคอบ โดยมีจำนวนลูกค้าจำกัด เพื่อให้สามารถวิเคราะห์ความทนทานต่อข้อผิดพลาดของ FL ได้อย่างมีประสิทธิภาพ ตรงกันข้ามกับที่คาดไว้ อัลกอริทึม FL ที่เรียบง่ายสามารถทำงานได้ดีอย่างน่าประหลาดใจแม้ในกรณีที่มีลูกค้าที่ไม่น่าเชื่อถือ
