Towards On-Demand Model and Client Deployment in Federated Learning with Reinforcement Learning
Notice bibliographique
Résumé
In Federated Learning (FL) solutions, a significant challenge lies in the limited accessibility of data sourced from diverse locations and user types, primarily due to restricted user participation. Expanding client access and diversifying data enrich models by incorporating diverse perspectives and enhancing adaptability. Increasing the client pool through volunteer devices and diversifying data enables the applicability of FL in previously static or inaccessible areas. While past research has focused on improving client selection techniques, the dynamic nature of the environment may render certain devices inaccessible as FL clients, impacting data availability and the effectiveness of current client selection methods. To overcome this problem, we propose our On-Demand solution, prioritizing the on-the-fly deployment of new clients using Docker Containers. Frequent FL model updates present challenges in environment setup, particularly when FL applications and available volunteer nodes change. Thus, this paper introduces an On-Demand solution targeting client availability and selection in FL by introducing a Reinforcement Learning-based solution driven by the need for swift model updates and the complexities of container deployment. The RL strategy employs a Markov Decision Process (MDP) framework with a Master Learner and a Joiner Learner engaging in offline and online learning based on server log data reflecting client and application demands. Simulated experiments and simulations demonstrate the adaptability of our architecture to environmental changes and On-Demand requests, along with its potential to enhance client availability, capability, accuracy, and learning efficiency.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 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 ».