FedCoSR: Aprendizaje federado personalizado con representaciones compartibles contrastantes para la heterogeneidad de...

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje automático
• Computación distribuida

Sus antecedentes:

• El sesgo de la distribución de etiquetas y la escasez de datos en las aplicaciones de computación distribuida conducen a la inexactitud y la injusticia.
• Los métodos de aprendizaje federados existentes luchan para abordar eficazmente estos desafíos de heterogeneidad.

Objetivo del estudio:

• Proponer un nuevo algoritmo de aprendizaje federado, representaciones compartibles de contraste federadas (FedCoSR), para mitigar la inexactitud y la injusticia en las aplicaciones de IC.
• Facilitar el intercambio de conocimientos entre los clientes al tiempo que se preserva la privacidad de los datos en entornos distribuidos.

Principales métodos:

• FedCoSRs agrega los parámetros de las capas poco profundas de los modelos locales y las representaciones locales típicas a nivel mundial.
• El aprendizaje contrastante se emplea entre las representaciones locales y globales para enriquecer el conocimiento local y combatir la degradación del rendimiento por el sesgo de la etiqueta.
• Se introduce la agregación local adaptativa para garantizar la equidad para los clientes con datos escasos mediante la coordinación de la participación del modelo global.

Principales resultados:

• Las simulaciones muestran que las FedCoSRs mitigan efectivamente la heterogeneidad de las etiquetas.
• El algoritmo propuesto logra mejoras significativas en cuanto a precisión y equidad en comparación con los métodos existentes.
• FedCoSR demuestra efectividad en conjuntos de datos con diversos grados de heterogeneidad de etiqueta.

Conclusiones:

• FedCoSRs ofrece una solución sólida para mejorar la precisión y la equidad en el aprendizaje federado en condiciones de datos heterogéneos.
• El algoritmo equilibra con éxito el intercambio de conocimientos con la privacidad de los datos en configuraciones de computación distribuida.
• FedCoSRs representa un avance significativo en el tratamiento de los desafíos de heterogeneidad de datos en las aplicaciones de aprendizaje federadas.