Aprendizaje federado personalizado basado en la fusión de parámetros dinámicos y la alineación de prototipos

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Sistemas distribuidos

Sus antecedentes:

• El aprendizaje federado (FL) permite la capacitación de modelos colaborativos sin compartir datos en bruto.
• La generalización sigue siendo un desafío en FL, particularmente con datos no independientes e idénticamente distribuidos (No-IID) entre los clientes.
• Los métodos FL existentes a menudo tienen dificultades para equilibrar el rendimiento global del modelo con las necesidades individuales del cliente.

Objetivo del estudio:

• Proponer FedDFPA, un nuevo marco de aprendizaje federado personalizado.
• Para abordar las limitaciones de generalización de FL bajo datos no IID.
• Mejorar tanto la personalización como la colaboración en los sistemas de aprendizaje federados.

Principales métodos:

• Desarrollado FedDFPA, integrando la fusión de parámetros dinámicos y la alineación de prototipos.
• Implementó un mecanismo de fusión de parámetros dinámicos de clase para la fusión adaptativa de parámetros de clasificadores globales y locales.
• Se introdujo un mecanismo de alineación de prototipos utilizando datos globales e históricos para mejorar la consistencia semántica y la estabilidad de las características.

Principales resultados:

• FedDFPA demostró mejoras significativas en la precisión promedio de las pruebas en comparación con los algoritmos de última generación.
• Logró una mejora de precisión del 3,59% en entornos prácticos heterogéneos.
• Logró una mejora de precisión del 4,71% en entornos patológicos heterogéneos.

Conclusiones:

• FedDFPA mitiga efectivamente los problemas de generalización en el aprendizaje federado con datos no identificados.
• El diseño de doble mecanismo equilibra con éxito la personalización y la colaboración.
• El marco ofrece una solución robusta para la clasificación personalizada en entornos distribuidos.