Core Concepts
Das Ziel ist es, die Leistung des trainierten globalen Modells durch die Auswahl einer optimalen Teilmenge von Kunden für das Modelltraining zu maximieren.
Abstract
Der Artikel untersucht zwei Modellanalyserahmen, das föderierte Analytik (FA) und die demokratisierte Analytik (DA), um die Leistung des trainierten globalen Modells nach dem föderiertem Lernprozess effektiv zu bewerten.
Basierend auf diesen Rahmen wird ein zielgerichtetes Kundenauswahlproblem formuliert, um die Effizienz des trainierten globalen Modells zu maximieren. Dieses Problem wird als stochastisches Mehrarmbandit-Problem (SMAB) modelliert.
Für den FA-Rahmen wird ein Quick-Init UCB-Algorithmus vorgeschlagen, um das SMAB-Problem zu lösen. Für den DA-Rahmen wird ein Belief-Propagation-basierter UCB (BP-UCB) Algorithmus entwickelt.
Theoretische Analysen zeigen, dass die vorgeschlagenen Algorithmen asymptotisch optimal sind, wenn der Zeithorizont ausreichend groß ist. Numerische Ergebnisse zeigen, dass die Algorithmen eine nahezu optimale Leistung erreichen, mit einer Lücke von weniger als 1,44% bzw. 3,12% unter den FA- und DA-Rahmen.
Stats
Die Leistung des trainierten globalen Modells kann durch die Auswahl einer optimalen Teilmenge von Kunden für das Modelltraining um bis zu 1,44% bzw. 3,12% verbessert werden.
Quotes
"Das Ziel ist es, die Leistung des trainierten globalen Modells durch die Auswahl einer optimalen Teilmenge von Kunden für das Modelltraining zu maximieren."
"Theoretische Analysen zeigen, dass die vorgeschlagenen Algorithmen asymptotisch optimal sind, wenn der Zeithorizont ausreichend groß ist."