FedLBW: Ponderazione Basata sulla Perdita per l'Apprendimento Federato nelle Reti Wireless
Un nuovo articolo di ricerca propone FedLBW, una strategia di ponderazione basata sulla perdita per l'apprendimento federato (FL) nelle reti wireless, affrontando le sfide dei dati non-IID e dell'abbandono dei client. L'articolo, arXiv:2608.07007, introduce un metodo di aggregazione che pesa gli aggiornamenti dei client in base all'inverso della loro perdita di validazione calcolata su un piccolo set di dati proxy sul server, piuttosto che sulla dimensione del set di dati. Questo approccio mira a ridurre il bias verso i client con set di dati più grandi e a migliorare la robustezza a dati non-IID, outlier e abbandoni. Il metodo dà priorità ai modelli con perdita inferiore durante l'aggregazione, potenzialmente migliorando la convergenza in ambienti wireless. La ricerca è rilevante per l'intersezione tra intelligenza artificiale, comunicazione wireless e apprendimento distribuito, con implicazioni per l'apprendimento automatico collaborativo che preserva la privacy.
Fatti principali
- L'articolo arXiv:2608.07007 propone FedLBW, una strategia di ponderazione basata sulla perdita per l'apprendimento federato.
- FedLBW assegna pesi agli aggiornamenti dei client proporzionali all'inverso della perdita di validazione, non alla dimensione del set di dati.
- Il metodo utilizza un piccolo set di dati proxy sul server per calcolare la perdita di validazione.
- Affronta dati non-IID e abbandoni dei client nelle reti wireless.
- Gli algoritmi FL tradizionali come FedAvg si basano sulla dimensione del set di dati, causando bias.
- FedLBW mira a ridurre il bias e migliorare la robustezza a outlier e abbandoni.
- L'approccio dà priorità ai modelli con perdita inferiore durante l'aggregazione.
- L'articolo è annunciato come una nuova sottomissione arXiv.
Entità
Istituzioni
- arXiv