Aprendizagem Federada Distribuída Hierárquica Agrupada

Nos últimos anos, devido à crescente preocupação com a segurança da privacidade dos dados, a aprendizagem federada, cujos clientes apenas sincronizam o modelo em vez dos dados pessoais, se desenvolveu rapidamente. No entanto, o sistema tradicional de aprendizagem federada ainda tem uma alta dependência do servidor central, um entusiasmo dos clientes não garantido e a confiabilidade do servidor central, além de um consumo extremamente alto de recursos de comunicação. Portanto, propomos a Aprendizagem Federada Distribuída Hierárquica Agrupada para resolver os problemas acima. Motivamos a participação dos clientes por meio de agrupamento e resolvemos a dependência do servidor central através de uma arquitetura distribuída. Aplicamos um protocolo de gossip segmentado hierárquico e um mecanismo de feedback para troca de modelos dentro do grupo, e um protocolo de gossip para comunicação entre grupos, para fazer pleno uso da largura de banda e ter uma boa convergência de treinamento. Resultados experimentais demonstram que nosso método tem melhor desempenho com menor consumo de recursos de comunicação.