Keep it Simple: Bewertung der Fehlertoleranz von Federated Learning mit unzuverlässigen Clients
Author
Venue
IEEE Cloud 2023
Abstract
Federated Learning (FL) ist ein aufstrebender Ansatz der künstlichen Intelligenz (KI), der ein dezentrales Modelltraining über mehrere Geräte hinweg ermöglicht, ohne deren lokale Trainingsdaten offenzulegen. FL erfreut sich sowohl in der Wissenschaft als auch in der Industrie zunehmender Beliebtheit. Zwar wurden Forschungsarbeiten zur Verbesserung der Fehlertoleranz von FL vorgeschlagen, doch sind die tatsächlichen Auswirkungen unzuverlässiger Geräte (z. B. Ausfälle, Fehlkonfigurationen, schlechte Datenqualität) in realen Anwendungen noch nicht vollständig untersucht. Wir haben sorgfältig zwei repräsentative, praxisnahe Klassifizierungsprobleme mit einer begrenzten Anzahl von Clients ausgewählt, um die Fehlertoleranz von FL besser zu analysieren. Entgegen der Intuition können einfache FL-Algorithmen bei unzuverlässigen Clients überraschend gute Leistungen erbringen.
