轻量级工业联邦学习：面向异构资产的协戴学习
机器学习
2024-07-26 v1 信号处理
摘要
联邦学习（FL）是最广泛采用的用于在不共享数据且不泄露隐私的情况下通过交换学习来训练分布式机器学习（ML）模型的协作学习方法。然而，由于在所有 FL 任务中都默认存在很大的数据相似性或同质性，FL 在工业环境中并未特别设计。由于机器类型、固件版本、运行条件、环境因素的不同，工业数据几乎总是存在差异。尽管其受欢迎，但已观察到 FL 在客户具有异构数据分布时性能会下降。因此，我们提出了一种轻量级工业协戴学习（LICFL）算法，该算法使用模型参数进行协戴分组，而无需额外的边缘（客户端级别）计算和通信，除了标准 FL 之外，并旨在缓解工业应用中来自数据异构性的短板。我们的做法通过允许它们与相似客户端合作来增强客户端的模型性能，并训练更专业或个性化的模型。此外，我们提出了一种自适应聚合算法，将 LICFL 扩展为自适应 LICFL（ALICFL），以进一步提高全局模型性能并加快收敛速度。通过在真实数据上的数值实验，我们展示了所提出算法的有效性，并与现有方法进行了比较。
引用
@article{arxiv.2407.17999,
title = {Lightweight Industrial Cohorted Federated Learning for Heterogeneous Assets},
author = {Madapu Amarlingam and Abhishek Wani and Adarsh NL},
journal= {arXiv preprint arXiv:2407.17999},
year = {2024}
}