Multi‐Objective Optimisation Framework for Heterogeneous Federated Learning
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
ABSTRACT Federated learning is a distributed framework that trains a centralised model using data from multiple clients without transferring that data to a central server. Despite rapid progress, federated learning still faces several unsolved challenges. Specifically, communication costs and system heterogeneity, such as nonidentical data distribution, hinder federated learning's progress. Several approaches have recently emerged for federated learning involving heterogeneous clients with varying computational capabilities (namely, heterogeneous federated learning). However, heterogeneous federated learning faces two key challenges: optimising model size and determining client selection ratios. Moreover, efficiently aggregating local models from clients with diverse capabilities is crucial for addressing system heterogeneity and communication efficiency. This paper proposes an evolutionary multiobjective optimisation framework for heterogeneous federated learning (MOHFL) to address these issues. Our approach elegantly formulates and solves a biobjective optimisation problem that minimises communication cost and model error rate. The decision variables in this framework comprise model sizes and client selection ratios for each Q client cluster, yielding a total of 2 Q optimisation parameters to be tuned. We develop a partition‐based strategy for MOHFL that segregates clients into clusters based on their communication and computation capabilities. Additionally, we implement an adaptive model sizing mechanism that dynamically assigns appropriate subnetwork architectures to clients based on their computational constraints. We also propose a unified aggregation framework to combine models of varying sizes from heterogeneous clients effectively. Extensive experiments on multiple datasets demonstrate the effectiveness and superiority of our proposed method compared to existing approaches.
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 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,009 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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