Generalization vs Personalization: A Trade-off for better Data Heterogeneity impact Mitigation in FL
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Federated learning (FL) was introduced recently as a new machine learning (ML) paradigm. It is a distributed network of client nodes that train ML and deep learning (DL) models on their local data without sharing them to preserve data privacy (DP). However, these data are heterogeneous by nature as they are collected in different contexts using various sources such as IoT devices. Consequently, data heterogeneity (DH) in FL has brought new performance-related challenges. Few of these challenges have been addressed in the literature; moreover, context heterogeneity and balance rate were not explored at all. In this paper, we introduce an FL approach in which a trade-off between personalization and generalization is achieved to mitigate the impact of DH and obtain better performance. We focus on three DH challenges: context, non-independent and identically distributed (non-IID) data, and balance rate. For the implementation, fall detection (FD) data is used to demonstrate the potential of our approach in improving the FL system’s performance. FD is an important subject and is particularly prevalent for the safety of elderly people. Hence, we collected fall data from two sensors: accelerometer (ACC) and heart rate (HR), then, we used two ML models to evaluate our approach. We utilized XGBoost (XGB) for balanced and unbalanced clients and One-Class Support Vector Machine (OC-SVM) for one-label clients. Our approach achieved an average F1-score of 88%. A comparative study was also conducted with previous works on FD. Our results showed a performance improvement which exceeded 94.30% on average.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 découle