分布式概念漂移下的联邦学习
机器学习
2023-03-01 v2
摘要
分布式概念漂移下的联邦学习（FL）是一个很大程度上未被探索的领域。尽管概念漂移本身是一个被充分研究的现象，但它对FL提出了特殊挑战，因为漂移在时间和空间（跨客户端）上交错出现。据我们所知，本工作是首个明确研究两个维度上数据异质性的工作。我们首先证明，先前使用单一全局模型进行漂移适应的解决方案不适用于交错漂移，因此需要多模型解决方案。我们将漂移适应问题识别为一个时变聚类问题，并提出了两种基于局部漂移检测与层次聚类的新的聚类算法以应对漂移。实证评估表明，我们的解决方案比现有基线实现了显著更高的准确率，并且可与在每个时间步具有客户端到概念的真实聚类预言机知识的理想化算法相媲美。
引用
@article{arxiv.2206.00799,
title = {Federated Learning under Distributed Concept Drift},
author = {Ellango Jothimurugesan and Kevin Hsieh and Jianyu Wang and Gauri Joshi and Phillip B. Gibbons},
journal= {arXiv preprint arXiv:2206.00799},
year = {2023}
}
备注
20 pages. Published in AISTATS 2023