Enhancing the Performance of Model Pruning in Over-the-Air Federated Learning with Non-IID Data
Notice bibliographique
Résumé
This paper focuses on over-the-air federated learning (OTA-FL) for edge devices that have non-independent and identically distributed (non-IID) datasets. Federated averaging (FedAvg), the vanilla FL algorithm does not perform well with non-IID data, leading to reduced global model performance. Pruning, a deep neural network model compression technique can reduce model size to be compatible with low-complexity devices without a significant impact on accuracy. However, inclusion of pruning and channel impairments can significantly degrade the performance of OTA-FL networks in a non-IID setup. We therefore first investigate and quantify this pruning-accuracy trade-off when edge devices utilize an OTA-FL setup - and find significant degradation for pruning rates over 50%. We then investigate two approaches to mitigate this degradation. The first is to utilize FedProx, an effective federated aggregation algorithm designed to improve performance on edge devices with non-IID data. The second approach is to iteratively re-train the model at the parameter server (PS) using a limited dataset representative of the task being learned across the edge devices. This approach is suited for cases where it is possible to access such data, e.g. keyboard prediction, several computer vision and natural language processing tasks. We conduct thorough simulations to assess the performance and convergence behavior of both approaches, for different pruning levels and datasets. Results show that considerable gains can be achieved with these approaches, particularly when pruning is not too aggressive and for less complex classification tasks. Further research is however needed to develop algorithms that are more robust to high pruning, non-IID data distributions, and OTA aggregation at low signal to noise ratios (SNRs).
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 | 0,003 | 0,012 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
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 ».