FedASMU : Apprentissage Fédéré Asynchrone Efficace avec Mise à Jour de Modèle Sensible à la Staleur Dynamique

En tant qu'approche prometteuse pour traiter les données distribuées, l'Apprentissage Fédéré (FL) a réalisé d'importants progrès ces dernières années. FL permet l'entraînement collaboratif de modèles en exploitant les données brutes dispersées dans plusieurs dispositifs d'edge. Cependant, les données sont généralement non indépendantes et identiquement distribuées, c'est-à-dire hétérogénéité statistique, et les dispositifs d'edge diffèrent considérablement en termes de capacité de calcul et de communication, c'est-à-dire hétérogénéité du système. L'hétérogénéité statistique entraîne une dégradation grave de la précision tandis que l'hétérogénéité du système prolonge considérablement le processus d'entraînement. Afin de résoudre le problème d'hétérogénéité, nous proposons un cadre d'Apprentissage Fédéré à Mise à Jour de Modèle Sensible à la Staleur Asynchrone, c'est-à-dire FedASMU, avec deux nouvelles méthodes. Tout d'abord, nous proposons un modèle de système FL asynchrone avec une méthode d'agrégation dynamique des modèles entre les modèles locaux mis à jour et le modèle global sur le serveur pour une précision supérieure et une grande efficacité. Ensuite, nous proposons une méthode d'ajustement de modèle local adaptatif en agrégeant le modèle global frais avec les modèles locaux sur les dispositifs pour améliorer encore la précision. Des expérimentations approfondies avec 6 modèles et 5 ensembles de données publics démontrent que FedASMU surpasse significativement les approches de référence en termes de précision (0,60 % à 23,90 % de mieux) et d'efficacité (3,54 % à 97,98 % plus rapide).