Architetture di Apprendimento Federato: Compromessi tra Centralizzato e Decentralizzato
Un nuovo articolo di ricerca confronta sperimentalmente architetture di apprendimento federato centralizzate, decentralizzate e semi-decentralizzate utilizzando il simulatore Fedstellar, il dataset MNIST e il classificatore MLP. Lo studio colma una lacuna nella letteratura analizzando i compromessi tra indicatori di prestazione in questi tre tipi di FL. L'apprendimento federato consente l'addestramento collaborativo di modelli su dispositivi edge distribuiti preservando la privacy dei dati, cruciale per il crescente numero di dispositivi IoT che generano enormi quantità di dati. Lo storage centralizzato affronta sfide come comunicazione limitata, problemi di privacy e regolamentazioni. L'articolo fornisce confronti sperimentali per comprendere punti di forza, limiti e compromessi di prestazione, aiutando i professionisti a scegliere l'architettura giusta in base alle esigenze applicative.
Fatti principali
- L'apprendimento federato (FL) consente l'addestramento collaborativo di modelli su dispositivi edge distribuiti preservando la privacy dei dati.
- L'articolo confronta architetture FL centralizzate (CFL), decentralizzate (DFL) e semi-decentralizzate (SDFL).
- Gli esperimenti utilizzano il simulatore Fedstellar, il dataset MNIST e il classificatore MLP.
- Molto pochi studi di ricerca hanno confrontato sperimentalmente questi tre tipi di architetture.
- L'analisi si concentra sui compromessi tra diversi indicatori di prestazione.
- La scelta dell'architettura FL corretta dipende dalle esigenze dell'applicazione.
- Lo storage centralizzato affronta problemi come comunicazione limitata, privacy e regolamentazioni.
- L'articolo supera la mancanza di analisi sperimentale in questo settore.
Entità
Istituzioni
- arXiv