Core Concepts
Verbesserung der Generalisierung in föderiertem Lernen durch innovative Methoden.
Abstract
Föderiertes Lernen (FL) ermöglicht gemeinsames Training eines globalen Modells über verteilte Clients.
Herausforderung: Nicht-unabhängig identisch verteilte Daten unter teilnehmenden und nicht teilnehmenden Clients.
Neue Methoden zur Verbesserung der Generalisierung und Leistung für nicht teilnehmende Clients.
Theoretischer Rahmen zur Bewertung der Generalisierungslücke in FL.
Empirische Bewertungen bestätigen die Wirksamkeit der vorgeschlagenen Methoden.
Stats
Die Selbstinformationsgewichtete erwartete Risikometrik dient zur Messung der Modellgeneralisierung.
Die Gewichtung der lokalen Gradienten basiert auf der Informationstheorie.
Die Konstruktion des konvexen Hüllensatzes ermöglicht die Auswahl von Clients mit größeren Unterschieden zu anderen.
Quotes
"Unsere Arbeit präsentiert einen neuartigen theoretischen Rahmen zur Untersuchung des Generalisierungsfehlers in FL."
"Die vorgeschlagenen Methoden verbessern die Generalisierungsfähigkeit von FL und die Leistung für nicht teilnehmende Clients."