VARS-FL: Selezione dei Clienti Allineata alla Validazione per Federated Learning Non-IID nell'IoT
Un nuovo framework di federated learning, VARS-FL (Validation-Aligned Reputation Scoring for Federated Learning), affronta la sfida della selezione dei clienti in presenza di distribuzioni di dati non IID in ambienti IoT e IIoT. I metodi tradizionali di selezione senza stato ignorano l'evidenza accumulata della qualità del contributo dei clienti, portando a una convergenza lenta e a un addestramento instabile. VARS-FL quantifica il contributo di ciascun cliente misurando la riduzione della perdita di validazione lato server indotta dal suo aggiornamento, quindi aggrega questi segnali per round in un punteggio di Reputazione utilizzando un meccanismo a finestra scorrevole. Questo approccio allinea la selezione con l'obiettivo di ottimizzazione globale, migliorando efficienza e stabilità. L'articolo è pubblicato su arXiv con ID 2605.05896.
Fatti principali
- VARS-FL sta per Validation-Aligned Reputation Scoring for Federated Learning.
- Affronta la selezione dei clienti nel federated learning non-IID per sistemi IoT.
- La selezione tradizionale senza stato tratta ogni round in modo indipendente.
- VARS-FL utilizza la riduzione della perdita di validazione lato server per misurare il contributo del cliente.
- I punteggi di reputazione sono aggregati tramite un meccanismo a finestra scorrevole.
- L'approccio mira a convergenza lenta e addestramento instabile.
- Gli ambienti IoT e IIoT hanno dati altamente eterogenei.
- L'articolo è disponibile su arXiv con ID 2605.05896.
Entità
Istituzioni
- arXiv