Tassonomia e Strategia di Risoluzione per i Disaccordi a Livello di Client nell'Apprendimento Federato
Un nuovo articolo su arXiv (2604.23386) introduce una tassonomia e una strategia di risoluzione per i 'disaccordi a livello di client' nell'Apprendimento Federato (FL), dove i client possono aver bisogno di escludersi a vicenda per ragioni strategiche, normative o competitive. Gli autori propongono una strategia di risoluzione multi-tracciato che crea percorsi di aggiornamento del modello isolati per prevenire contaminazioni incrociate e ingiustizie. Validano il loro approccio attraverso simulazioni su 34 scenari utilizzando i dataset MNIST e N-CMAPSS, gestendo pattern di disaccordo permanenti, temporali e sovrapposti. L'analisi di scalabilità mostra l'efficienza dell'algoritmo lato server.
Fatti principali
- L'articolo arXiv:2604.23386 affronta i disaccordi a livello di client nell'Apprendimento Federato.
- Propone una tassonomia degli scenari di disaccordo a livello di client.
- Introduce una strategia di risoluzione multi-tracciato con percorsi di aggiornamento del modello isolati.
- La strategia garantisce l'esclusione rigorosa del client e previene la contaminazione incrociata.
- La valutazione empirica utilizza 34 scenari con i dataset MNIST e N-CMAPSS.
- Gestisce pattern di disaccordo permanenti, temporali e sovrapposti.
- L'analisi di scalabilità copre l'algoritmo di risoluzione lato server.
- Pubblicato su arXiv con annuncio di tipo cross.
Entità
Istituzioni
- arXiv