ADMM Fédéré Hiérarchique

Dans cet article, nous nous écartons des algorithmes d'apprentissage fédéré (FL) hiérarchiques basés sur la descente de gradient largement utilisés pour développer un nouveau cadre FL hiérarchique basé sur la méthode des multiplicateurs en direction alternée (ADMM), en s'appuyant sur une architecture réseau composée d'un seul serveur cloud et de plusieurs serveurs edge, où chaque serveur edge est dédié à un ensemble de clients spécifique. Dans ce cadre, nous proposons deux nouveaux algorithmes FL, qui utilisent tous deux ADMM dans la couche supérieure : l'un qui emploie ADMM dans la couche inférieure et l'autre qui utilise l'approche traditionnelle basée sur la descente de gradient. Le cadre proposé améliore la confidentialité, et des expériences démontrent la supériorité des algorithmes proposés par rapport aux algorithmes conventionnels en termes de convergence d'apprentissage et de précision. De plus, la descente de gradient dans la couche inférieure fonctionne bien même si le nombre de pas locaux est très limité, tandis qu'ADMM dans les deux couches conduit à de meilleures performances dans d'autres cas.