FL-EGM: Decentralized Federated Learning using Aggregator Selection with Enhanced Global Model
Notice bibliographique
Résumé
Federated Learning (FL) has emerged as a promising solution to address data privacy concerns, but it also faces ob-stacles, including biased centralized aggregation. In this paper, we propose a novel decentralized FL architecture with round-based aggregator selection that enhances the accuracy of the global model while preserving data privacy for the users. Our proposed model consists of three distinct phases. Firstly, we address the issue of a central aggregator by introducing a model where we periodically select the aggregator as the best-performing client from participant nodes. Secondly, we train all clients using their respective data but excluding the client selected as an aggregator. In the third phase, we further refine the global model by training it on the raw data of the selected aggregator, leading to an enhanced global model. These three modules empower the proposed model to offer improved accuracy and decentralization. Our implementation yielded promising results, demonstrating that the proposed mode achieves an accuracy of 98.54 % along with enhanced decentralization. The proposed model has also validated different datasets and network conditions, such as the number of participant nodes. Furthermore, the performance of the proposed model is validated in the presence of a biased aggregator. The results demonstrate that the proposed model achieves 98.43 % accuracy and shows more robustness in the presence of a biased aggregator. Finally, the proposed model converges fast compared to other baseline models.
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 | 0,002 | 0,003 |
| 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 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 ».