FedImp: Nuovo Algoritmo Accelera la Convergenza dell'Apprendimento Federato
I ricercatori hanno introdotto un nuovo algoritmo, Federated Impurity Weighting (FedImp), per affrontare i problemi legati ai dati non-IID nell'apprendimento federato. Questo metodo valuta l'importanza dei dati locali su ciascun dispositivo per determinare i rispettivi contributi, affinando così i pesi di aggregazione per il modello. Negli esperimenti condotti utilizzando i dataset EMNIST e CIFAR-10, FedImp ha dimostrato un sostanziale miglioramento nella velocità di convergenza, riducendo i round di comunicazione di percentuali notevoli, come il 64,4% su EMNIST. Rispetto ai metodi tradizionali come FedAvg, FedProx e FedAdp, FedImp si è rivelato superiore, soprattutto in scenari con distribuzione dei dati sbilanciata. La ricerca è disponibile su arXiv con ID 2608.14654.
Fatti principali
- FedImp è un nuovo algoritmo per l'apprendimento federato.
- Affronta le distribuzioni di dati non-IID tra i dispositivi.
- Quantifica i contributi dei dispositivi in base al contenuto informativo.
- Esperimenti sui dataset EMNIST e CIFAR-10.
- Riduce i round di comunicazione fino al 64,4% su EMNIST.
- Riduce i round di comunicazione fino al 44,2% su CIFAR-10.
- Supera FedAvg, FedProx e FedAdp.
- Articolo disponibile su arXiv (2608.14654).
Entità
Istituzioni
- arXiv