核心概念
Ein Verfahren zur Auswahl vertrauenswürdiger Kunden und zur adaptiven Gewichtszuweisung für die Modell-Fusion, um die Zuverlässigkeit und Genauigkeit des globalen Modells zu verbessern.
要約
Der Artikel stellt einen Ansatz für föderiertes Lernen vor, der auf einem zweistufigen Reinforcement-Learning-Verfahren basiert. In der ersten Phase wird ein adaptiver Mechanismus zur Auswahl vertrauenswürdiger Kunden entwickelt, um schädliche Modelle von der Fusion auszuschließen. In der zweiten Phase wird ein adaptiver Gewichtungsalgorithmus eingeführt, der die Gewichte der Modelle dynamisch an deren Qualität anpasst, um die Genauigkeit des globalen Modells zu maximieren.
Der Ansatz adressiert zwei Hauptherausforderungen des föderiertem Lernens:
- Die Einbeziehung schädlicher Modelle in den Fusionsprozess kann die Genauigkeit des aggregierten globalen Modells stark beeinträchtigen.
- Aufgrund der Heterogenität der Geräte und Daten bestimmt die Anzahl der Kundenstichproben nicht den Gewichtungswert des Modells.
Das vorgeschlagene Verfahren FedDRL umfasst zwei Stufen:
- Auswahl vertrauenswürdiger Kunden: Ein zuverlässiger Kundenauswahlmechanismus schließt schädliche Modelle vom Fusionsprozess aus.
- Adaptive Modell-Fusion: Eine adaptive Fusionsmethode weist den Modellen dynamisch Gewichte basierend auf deren Qualität zu, um das beste globale Modell zu aggregieren.
Die Experimente zeigen, dass der Ansatz die Zuverlässigkeit signifikant erhöht, ohne die Genauigkeit zu beeinträchtigen. Er übertrifft die Baseline-Algorithmen FedAvg und FedProx in verschiedenen Szenarien mit schädlichen und minderwertigen Modellen.
統計
Die Anzahl der Trainingsproben pro Kunde variiert zwischen 1500 und 9000 für die CIFAR-10-Datenmenge.
Die Genauigkeit der schädlichen Kundenmodelle liegt unter 10% bis 15%.
Die Genauigkeit der minderwertigen Kundenmodelle liegt zwischen 45% und 55%.
引用
"Identifizieren von Methoden zum Entfernen schädlicher Modelle in der föderiertem Lernmodell-Fusion ist zu einer entscheidenden Frage geworden."
"Gleichzeitig ist es auch ein dringendes Problem, das gelöst werden muss, wie man die Fusionsgewichte jedes Modells basierend auf deren Qualität adaptiv anpassen kann, wenn ein Kunde minderwertige Modelle für die Fusion einreicht."