HARMONY: Nuovo Framework per Federated Learning Ibrido Eterogeneo

HARMONY rappresenta il primo framework ibrido di split federated learning (SFL) progettato per architetture client eterogenee. Affronta il problema dello skew di rappresentazione, che si verifica quando le caratteristiche provenienti da estrattori client personalizzati non corrispondono nello spazio condiviso, influenzando negativamente l'efficacia del modello server nelle previsioni out-of-distribution (OOD). Il framework innova adattando il meta-learning per replicare diversi estrattori su parametri e architetture differenti, facilitando la personalizzazione senza sacrificare la generalizzazione. Questa iniziativa si concentra su dispositivi mobili caratterizzati da limitazioni di risorse variabili e distribuzioni di dati non IID, bilanciando accuratezza e costo attraverso strategie di early exit e fallback inference.