FedFly: 엣지 기반 분산 연합 학습에서의 마이그레이션을 향하여

연합 학습(FL)은 장치에서 생성된 모든 원본 데이터를 로컬로 유지하면서 모델을 훈련하는 개인 정보 보호 분산 기계 학습 기술입니다. 장치의 자원이 제한될 수 있기 때문에, 오프로드를 사용하여 장치에서 엣지 서버로 계산 작업을 전송함으로써 FL 성능을 개선할 수 있습니다. 그러나 이동성으로 인해 FL에 참여하는 장치가 훈련 중에 네트워크를 떠날 수 있으며, 다른 엣지 서버에 연결해야 할 필요가 있습니다. 이는 엣지 서버에서 오프로드된 계산이 마이그레이션되어야 하므로 도전적입니다. 이러한 주장을 바탕으로, 우리는 FL 훈련 중에 장치가 엣지 서버 간에 이동할 때 심층 신경망(ONN)을 마이그레이션하는 첫 번째 작업인 FedFly를 소개합니다. 균형 있는 데이터 분포와 불균형 데이터 분포를 갖는 CIFAR-10 데이터셋에 대한 우리의 경험적 결과는 장치가 훈련을 50% 완료한 후 이동할 때 FedFly가 훈련 시간을 최대 33%까지 절감할 수 있으며, 90% 완료했을 때는 최대 45%까지 절감할 수 있다는 주장을 뒷받침합니다. FedFly는 최대 2초의 미미한 오버헤드가 있으며 정확성을 저하시키지 않습니다. 마지막으로, 우리는 추가 조사에 대한 여러 개의 열린 연구 문제를 강조합니다. FedFly는 https://github.com/qub-bless-on/FedFly에서 다운로드할 수 있습니다.