Key points are not available for this paper at this time.
La sélection des clients pour l'apprentissage fédéré est cruciale pour déterminer les clients participants tout en équilibrant la précision du modèle et l'efficacité de la communication. Les méthodes existantes ont des limitations dans la gestion de l'hétérogénéité des données, des charges de calcul, et du traitement des clients indépendants. Pour relever ces défis, nous proposons GPFL, qui mesure la valeur des clients en comparant les directions de descente locales et globales. Nous utilisons également un mécanisme d'Exploit-Explore pour améliorer la performance. Les résultats expérimentaux sur les ensembles de données FEMINST et CIFAR-10 montrent que GPFL surpasse les références dans des scénarios Non-IID, atteignant plus de 9\% d'amélioration de la précision du test FEMINST. De plus, GPFL présente des temps de calcul plus courts grâce à la présélection et à la réutilisation des paramètres dans l'apprentissage fédéré.
Na et al. (Mar,) ont étudié cette question.