Stratégie de sélection des clients utilisant le temps de calcul prédit pour l'apprentissage fédéré

L'apprentissage machine est désormais intégré de manière transparente dans la vie quotidienne. Une précision élevée nécessite un entraînement intensif avec de grandes quantités de données. L'apprentissage fédéré a émergé en 2016, décentralisant l'entraînement. Les clients exécutent l'entraînement localement, et le serveur agrège leurs modèles sans accès direct aux données privées. L'apprentissage fédéré sélectionne un sous-ensemble de clients pour chaque itération, chacun ayant des temps d'entraînement variés. L'écart de temps entre les clients les plus lents et les plus rapides est appelé "straggler". Notre étude propose une nouvelle stratégie de sélection des clients, utilisant le temps de prédiction basé sur la complexité de calcul des modèles et les ressources des clients. Cette stratégie vise à équilibrer la minimisation des problèmes de straggler et à garantir une sélection équitable des clients, améliorant ainsi l'efficacité globale. Nos résultats expérimentaux montrent que notre stratégie de sélection des clients proposée peut améliorer le problème des stragglers de plus de 40 % sans perte de précision significative. Notre étude souligne l'importance d'équilibrer l'atténuation des stragglers et la sélection équitable des clients pour de meilleurs résultats en apprentissage fédéré.