FedSaw: Communication-Efficient Cross-Silo Federated Learning with Adaptive Compression
Notice bibliographique
Résumé
Cross-silo federated learning (FL) is an emerging approach for institutions to collaboratively train a machine learning model without sharing their siloed data. However, it conventionally requires institutions to centrally store their clients’ data, posing a threat to clients’ privacy. This paper thus studies a preferable setting to leave data distributed to clients, where traditional FL is used not only across institutions but also among their clients. As this new setting inherits or even exacerbates the major problem of communication inefficiency in the traditional setting, we explore the feasibility of leveraging two compression techniques, pruning and quantization, to improve communication efficiency. Starting by applying off-the-shelf pruning and quantization mechanisms, we observe that they could largely reduce communication overhead with a negligible reduction, sometimes even a slight increase, in training performance. By mathematically analyzing the impact of compression on the performance of the trained model, we find that pruning and quantizing with a proper amount can offset possible performance degradation due to non-i.i.d data. Based on this finding, we propose FedSaw, a new cross-silo FL framework that can improve communication efficiency by adaptively tuning the pruning amount and quantizing updates throughout training. In our extensive evaluation with six benchmark datasets, FedSaw consistently outperformed its state-of-the-art competitors. It decreased the wall-clock training time and communication overhead used for converging to the target accuracy by up to 86.7% and 91.5%, respectively.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,004 |
| Science ouverte | 0,004 | 0,004 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».