DA-PFL: Agregación dinámica de afinidad en el aprendizaje federado personalizado bajo desequilibrio de clase

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Sistemas distribuidos

Sus antecedentes:

• El aprendizaje federado personalizado (PFL) tiene como objetivo crear modelos personalizados para cada cliente.
• Los métodos PFL actuales a menudo agregan clientes con distribuciones de datos similares.
• Esta agregación basada en la similitud puede empeorar el problema del desequilibrio de clase en los conjuntos de datos.

Objetivo del estudio:

• Proponer un nuevo modelo dinámico basado en la afinidad (DA-PFL).
• Para aliviar el problema de desequilibrio de clase inherente al aprendizaje federado.
• Mejorar el rendimiento de los modelos de aprendizaje personalizado.

Principales métodos:

• Desarrolló una métrica de afinidad complementaria para guiar la agregación de clientes.
• Implementó una estrategia de agregación dinámica ajustando la selección de clientes en cada ronda.
• Evaluado el modelo DA-PFL en cuatro conjuntos de datos del mundo real.

Principales resultados:

• El modelo DA-PFL mejoró significativamente la precisión del cliente.
• Redujeron efectivamente el impacto negativo del desequilibrio de clase durante el aprendizaje federado.
• Superó a los métodos de comparación más avanzados existentes.

Conclusiones:

• El modelo DA-PFL propuesto ofrece una solución eficaz para el desequilibrio de clase en PFL.
• La agregación dinámica basada en la afinidad mejora el rendimiento del modelo personalizado.
• DA-PFL demuestra una precisión superior en diversos conjuntos de datos.