分析跨区域联邦学习中参与者失效的影响
分布式、并行与集群计算
2025-11-19 v1 人工智能
摘要
联邦学习（FL）是一种无需共享数据即可训练机器学习（ML）模型的新范式。尽管在跨区域场景中应用 FL 时，系统必须可靠，但参与者可能因各种原因（例如通信问题或配置错误）而失效。为了构建可靠的系统，有必要分析参与者失效的影响。虽然该问题在资源有限的移动设备参与的跨设备 FL 中受到关注，但在跨区域 FL 中却相对缺乏研究。因此，我们对跨组织跨区域 FL 中参与者失效对模型质量的影响进行了广泛研究。我们的研究侧重于分析一般性影响因素，如失效时机和数据的影响，以及对评估的影响，这对于决定模型是否应部署至关重要。我们表明，在高度不平衡情况下，评估可能乐观，掩盖了真实影响。此外，我们展示了失效时机对训练模型质量的影响。我们的结果为致力于构建可靠 FL 系统的研究人员和软件架构师提供了见解。
引用
@article{arxiv.2511.14456,
title = {Analyzing the Impact of Participant Failures in Cross-Silo Federated Learning},
author = {Fabian Stricker and David Bermbach and Christian Zirpins},
journal= {arXiv preprint arXiv:2511.14456},
year = {2025}
}
备注
Accepted for publication in 3rd IEEE International Conference on Federated Learning Applications and Technologies (FLTA2025)