Aprendizaje Federado en el Borde habilitado por Gemelos Digitales para Flujos de Datos

Con el avance significativo en el Internet de las Cosas (IoT), el Aprendizaje Federado en Streaming (SFL) como un novedoso enfoque de aprendizaje distribuido puede manejar datos en streaming que varían en el tiempo provenientes de múltiples fuentes. El protocolo estándar de SFL es un marco de entrenamiento colaborativo que permite a muchos clientes vinculados con diferentes fuentes de datos en línea participar en una tarea de entrenamiento continuo. Sin embargo, los trabajos existentes ignoran el problema de inicio en frío y el obstáculo de datos de entrenamiento insuficientes. Además, debido a la heterogeneidad de los clientes y el problema de olvido, el modelo global enfrenta una degradación de rendimiento durante el streaming de datos en series temporales. En nuestro trabajo, proponemos un SFL habilitado por gemelos digitales, un sistema de aprendizaje federado novedoso con soporte de gemelos digitales para aumentar datos de entrenamiento bajo demanda. En lugar de adoptar un protocolo de aprendizaje federado asincrónico o técnica de buffer para esperar a que los clientes tengan suficientes datos, se introducen gemelos digitales basados en redes generativas antagónicas para construir una réplica virtual de cada cliente de aprendizaje federado para generar un conjunto de datos sintético basado en el flujo de datos real. Realizamos experimentos utilizando conjuntos de datos del mundo real para evaluar el marco SFL propuesto. Los resultados en múltiples escenarios de flujo de datos y varios comportamientos de clientes demuestran que nuestro trabajo supera a la línea base del estado del arte.