FLARE：面向基于联邦学习的物联网部署的概念漂移检测与缓解
机器学习
2023-05-16 v1 人工智能
密码学与安全
网络与互联网体系结构
摘要
由于感知技术、分布式学习及嵌入式设备低功耗推理的最新进展，智能大规模物联网生态系统已成为可能。在传统以云为中心的方法中，原始数据被传输至中心服务器用于训练和推理。另一方面，联邦学习将这两项任务迁移至更靠近边缘节点和终端的位置，从而在保护用户隐私的同时显著减少数据交换。然而，训练好的模型在动态环境中可能因数据分布变化而表现不佳，影响模型准确推理的能力，这被称为概念漂移。此类漂移也可能具有对抗性。因此，及时检测此类行为至关重要。为同时减少通信流量并保持推理模型的完整性，我们引入 FLARE，一种新颖的轻量级双调度器联邦学习框架，它基于分别观测模型训练行为与推理统计，有条件地在边缘与传感器终端间传输训练数据并部署模型。我们表明，与固定间隔调度方法相比，FLARE 可显著减少边缘与传感器节点间交换的数据量（减少超 5 倍），易于扩展至更大系统，并能以至少 16 倍的延迟降低被动检测概念漂移。
引用
@article{arxiv.2305.08504,
title = {FLARE: Detection and Mitigation of Concept Drift for Federated Learning based IoT Deployments},
author = {Theo Chow and Usman Raza and Ioannis Mavromatis and Aftab Khan},
journal= {arXiv preprint arXiv:2305.08504},
year = {2023}
}
备注
To appear at IWCMC 2023, Marrakesh, Morocco