- Դաշնային ուսուցում տարասեռ տվյալներից վերահսկվող Բայեսյան օդային ագրեգացիայի միջոցով (arXiv)
Հեղինակ՝ Tomer Gafni, Kobi Cohen, Yonina C. Eldar
Համառոտագրություն. Դաշնային ուսուցումը (FL) մեքենայական ուսուցման ձևավորվող հարացույց է բազմաթիվ եզրային սարքերի վրա ուսուցման մոդելների համար, որոնք պահում են տեղական տվյալների հավաքածուներ՝ առանց տվյալների հստակ փոխանակման: Վերջերս օդային (OTA) FL-ն առաջարկվել է նվազեցնել թողունակությունը և էներգիայի սպառումը, թույլ տալով օգտվողներին փոխանցել իրենց տվյալները միաժամանակ բազմակի մուտքի ալիքով (MAC): Այնուամենայնիվ, այս մոտեցումը հանգեցնում է ալիքի աղմուկի, որն ուղղակիորեն ազդում է օպտիմալացման ընթացակարգի վրա, ինչը կարող է վատթարացնել պատրաստված մոդելի ճշգրտությունը: Այս հոդվածում մենք համատեղ օգտագործում ենք տեղական կշիռների և կապուղու բաշխման նախնական բաշխումը և մշակում ենք OTA FL ալգորիթմ, որը հիմնված է ազդանշանների համախմբման Բայեսյան մոտեցման վրա: Մեր առաջարկած ալգորիթմը, որը կոչվում է Bayesian Air Aggregation Federated Learning (BAAF), ցուցադրվում է արդյունավետորեն մեղմելու ալիքի կողմից առաջացած աղմուկը և մարող ազդեցությունները: Օգտատերերի տվյալների վիճակագրական տարասեռությունը կարգավորելու համար, որը երկրորդ հիմնական մարտահրավերն է ՖԼ-ում, մենք ընդլայնում ենք BAAF-ը, որպեսզի օգտագործողների կողմից համապատասխան տեղային թարմացումներ թույլ տան և մշակենք վերահսկվող Բայեսյան օդային համախմբման դաշնային ուսուցման ալգորիթմը (COBAAF): Ի հավելումն ալիքի թողարկման միջինացման Բայեսյան մոտեցման, COBAAF-ը վերահսկում է տեղային թարմացումների տեղաշարժը՝ օգտագործելով ուղղման պայմանների խելամիտ ձևավորում: Մենք վերլուծում ենք սովորած գլոբալ մոդելի կոնվերգենցիան՝ օգտագործելով BAAF-ը և COBAAF-ը աղմկոտ և տարասեռ միջավայրում, ցույց տալով նրանց կարողությունը՝ հասնելու կոնվերգենցիայի մակարդակի, որը նման է սխալ ալիքների միջոցով ձեռք բերվածին: Մոդելավորման արդյունքները ցույց են տալիս BAAF-ի և COBAAF-ի բարելավված կոնվերգենցիան մեքենայական ուսուցման առաջադրանքներում առկա ալգորիթմների նկատմամբ:
2.DPP-ի վրա հիմնված Հաճախորդի ընտրություն դաշնային ուսուցման համար ոչ-IID տվյալների հետ (arXiv)
Հեղինակ՝ Յուքսուան Չժան, Չաո Սյու, Հովարդ Հ. Յանգ, Սիջուն Վանգ, Թոնի Ք. Ս. Քուեկ
Համառոտագիր. Այս փաստաթուղթն առաջարկում է հաճախորդի ընտրության (CS) մեթոդ՝ դաշնային ուսուցման (FL) հաղորդակցման խոչընդոտը լուծելու համար՝ միաժամանակ հաղթահարելով FL-ի տվյալների տարասեռության խնդիրը: Մասնավորապես, մենք նախ վերլուծում ենք CS-ի ազդեցությունը FL-ում և ցույց ենք տալիս, որ FL ուսուցումը կարող է արագացվել՝ համապատասխանաբար ընտրելով մասնակիցներին, որպեսզի դիվերսիֆիկացնեն ուսուցման տվյալների բազան վերապատրաստման յուրաքանչյուր փուլում: Դրա հիման վրա մենք օգտագործում ենք տվյալների պրոֆիլավորման և որոշիչ կետերի գործընթացի (DPP) նմուշառման տեխնիկան՝ մշակելու ալգորիթմ, որը կոչվում է Դաշնային ուսուցում DPP-ի վրա հիմնված Մասնակիցների ընտրությամբ (FL-DP3S): Այս ալգորիթմը արդյունավետորեն դիվերսիֆիկացնում է մասնակիցների տվյալների հավաքածուները վերապատրաստման յուրաքանչյուր փուլում՝ պահպանելով նրանց տվյալների գաղտնիությունը: Մենք լայնածավալ փորձեր ենք անցկացնում՝ ուսումնասիրելու մեր առաջարկած մեթոդի արդյունավետությունը: Արդյունքները ցույց են տալիս, որ մեր սխեման ձեռք է բերում ավելի արագ կոնվերգենցիայի արագություն, ինչպես նաև կապի ավելի փոքր ծախս, քան մի քանի բազային գծեր:
