Core Concepts
Die Entwicklung eines Topologie-Lernverfahrens zur Verbesserung des dezentralen föderierten Lernens über unzuverlässige D2D-Netzwerke.
Abstract
Einführung in dezentrales föderiertes Lernen (DFL) in D2D-Netzwerken.
Herausforderungen wie Datenheterogenität und unzuverlässige Links.
Vorstellung des Topologie-Lernverfahrens ToLRDUL zur Verbesserung der Konvergenz und Leistung von DFL.
Experimente zeigen die Überlegenheit von ToLRDUL gegenüber anderen Baselines.
Numerische Ergebnisse und Vergleiche mit verschiedenen Topologien und Einstellungen.
Stats
"Extensive experiments under both feature skew and label skew settings have validated the effectiveness of our proposed method, demonstrating improved convergence speed and test accuracy, consistent with our theoretical findings."
"The size of transmitted packages is set to 1.2MB."
"The bandwidth is set to 5MHz, the transmission power Ptx is set to 10dBm and the noise power σ2 is set to −169dBm."
Quotes
"Decentralized federated learning with unreliable communications."
"Joint scheduling and robust aggregation for federated localization over unreliable wireless D2D networks."