KAFL-HD: Knowledge Alignment in Asynchronous Federated Learning With Heterogeneous Data
Notice bibliographique
Résumé
Asynchronous Federated Learning (AFL) can mitigate the straggler problem due to unbalanced training time of clients in Synchronous Federated Learning (SFL), thereby reducing the aggregation time and improving the training efficiency. However, AFL introduces training bias since different updating frequencies of heterogeneous clients can cause unequal knowledge contributions to the global model. Meanwhile, if the client data are heterogeneous, the local optimum may be drifted from the global one, which exacerbates the training bias problem. In order to solve the above issues, we propose a Knowledge Alignment framework for AFL with Heterogeneous Data, termed as KAFL-HD. Firstly, considering data heterogeneity, a data quality-aware aggregation method is proposed to estimate client contributions precisely, where both model staleness and data quality are utilized in aggregation weights. Secondly, a knowledge distillation method with staleness is designed to supplement more knowledge from slow clients to the global model. Thirdly, an adaptive learning rate adjustment method is proposed to customize the local learning rate based on the aggregation frequency and weight, which aligns the knowledge contributions of clients in the local training process. Furthermore, we provide theoretical analysis under a non-convex setting to show the convergence speed of KAFL-HD. Finally, comprehensive experiments are conducted, and the results show that KAFL-HD achieves the highest accuracy and fairness performance compared to the state-of-the-art baselines.
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 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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,002 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,027 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,003 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».