FedACT: Programmazione di Dispositivi Eterogenei per Apprendimento Federato Concorrente
Un articolo di ricerca introduce FedACT, un nuovo approccio di programmazione dei dispositivi per sistemi di apprendimento federato (FL) concorrente. Mentre il FL standard si concentra sull'ottimizzazione di un singolo compito su dispositivi decentralizzati, le applicazioni reali richiedono sempre più spesso l'addestramento simultaneo di più compiti di machine learning su dispositivi condivisi. Applicare ingenuamente l'ottimizzazione del singolo FL a sistemi multi-FL porta a prestazioni subottimali a causa dell'eterogeneità dei dispositivi e dell'inefficienza delle risorse. FedACT affronta questo problema assegnando dinamicamente i dispositivi ai job FL basandosi su un meccanismo di punteggio di allineamento, con l'obiettivo di minimizzare il tempo medio di completamento dei job (JCT). L'articolo è pubblicato su arXiv con ID 2605.00011.
Fatti principali
- FedACT è un approccio di programmazione dei dispositivi che tiene conto dell'eterogeneità delle risorse.
- È progettato per più job FL concorrenti su dispositivi condivisi.
- L'obiettivo è minimizzare il tempo medio di completamento dei job (JCT).
- Utilizza un meccanismo di punteggio di allineamento per l'assegnazione dei dispositivi.
- L'articolo è su arXiv con ID 2605.00011.
- Le tecniche standard di singolo FL funzionano in modo subottimale in contesti multi-FL.
- L'eterogeneità dei dispositivi e l'inefficienza delle risorse sono sfide chiave.
- Le applicazioni reali richiedono sempre più spesso compiti FL concorrenti.
Entità
Istituzioni
- arXiv