Key points are not available for this paper at this time.
Ein neuartiger dezentralisierter noisy Modellaktualisierungsverfolgungsfederierter Lernalgorithmus (FedNMUT) wird vorgeschlagen, der darauf ausgelegt ist, effizient im Vorhandensein von rauschbehafteten Kommunikationskanälen zu funktionieren, die einen unvollkommenen Informationsaustausch widerspiegeln. Dieser Algorithmus nutzt Gradiententracking, um die Auswirkungen der Datenheterogenität zu minimieren und gleichzeitig den Kommunikationsaufwand zu verringern. Der vorgeschlagene Algorithmus integriert Rauschen in seine Parameter, um die Bedingungen rauschbehafteter Kommunikationskanäle nachzuahmen und somit einen Konsens unter den Teilnehmern durch eine Kommunikationsgraph-Topologie in solch herausfordernden Umgebungen zu ermöglichen. FedNMUT priorisiert den Austausch von Parametern und die Integration von Rauschen, um die Widerstandsfähigkeit dezentraler Lernsysteme gegen rauschbehaftete Kommunikation zu erhöhen. Durch theoretische und empirische Validierung wird nachgewiesen, dass die Leistung von FedNMUT im Vergleich zu bestehenden modernen Methoden und herkömmlichen Parameter-Mischansätzen im Umgang mit unvollkommenem Informationsaustausch überlegen ist. Dies beweist die Fähigkeit des vorgeschlagenen Algorithmus, die negativen Auswirkungen von Kommunikationsrauschen in einem dezentralen Lernrahmen auszugleichen.
Chellapandi et al. (Dienstag) haben diese Frage untersucht.