L'analyse des performances des méthodes d'apprentissage fédéré pour l'IoT avec de grandes données

L'apprentissage automatique qui crée un cadre global en rassemblant des connaissances provenant d'un certain nombre de clients distants différents. L'apprentissage fédéré permet l'entraînement sur l'appareil, garde les informations des clients privées et met à jour les cadres. Les approches d'apprentissage fédéré supposent des capacités de calcul à chaque appareil/client, ce qui n'est pas toujours le cas. En raison de son architecture distribuée inhérente, l'apprentissage fédéré possède les caractéristiques qui en font un bon choix pour les réseaux IoT. Cependant, il existe quelques obstacles spécifiques à l'apprentissage fédéré, le plus significatif étant l'entraînement sur des ensembles de données nettement hétérogènes sur des appareils IoT. De nombreuses nouvelles études ont tenté de minimiser les conséquences de la diversité mais, manifestement, l'efficacité des résolutions potentielles a été conclue recherchée ou énumérée. Cela est dû au fait que l'homogénéité des appareils et des conceptions dans les réseaux complexes de l'Internet des Objets (IoT) affecte finalement le processus d'apprentissage de l'apprentissage fédéré et rend l'apprentissage fédéré conventionnel inapproprié pour être organisé directement. Cette recherche visait à fournir une introduction à l'apprentissage fédéré, ainsi qu'un examen approfondi des déclarations de problème et des questions en développement, en particulier celles qui surviennent lors de la mise en œuvre de l'apprentissage fédéré dans des contextes IoT hétérogènes en utilisant des techniques d'apprentissage automatique et d'apprentissage profond.