A Unified Convergence Analysis of Decentralized Federated Learning at the Edge
Notice bibliographique
Résumé
Federated Learning (FL) reshapes the AI model training paradigm by enabling privacy-preserving collaborative learning, where models are trained across distributed clients without sharing raw data, but only model parameters or updates. This learning can be centralized or distributed. Centralized FL (CFL) may suffer from latency and lack of robustness due to the reliance on a coordinating server for model convergence. On the other hand, Decentralized Federated Learning (DFL) enables direct collaboration among participating devices without relying on a central server. Each device can independently connect to other devices and share model parameters. In such collaborative training paradigm, model convergence in the presence of various deployment topologies, AI model types, Non-IID data distribution, and training strategies demands systematic analysis to realize their practical deployment in critical applications such as intelligent transportation, smart factories, and real-time surveillance. Some works have attempted to conduct only partial analysis and completely neglected incorporating Non-IID data distribution, a critical factor in practical deployment of DFL in mentioned applications. This work conducts a systematic analysis on the convergence of DFL considering a wide range of AI models (e.g., classical, deep neural networks, and Large Language Models), network topologies (e.g., linear, ring, star, and mesh), training strategies (e.g., continuous and aggregate), and degree of Non-IID data distributions. The analysis includes both mathematical formulations and their implementation and evaluation using real-world data. The results confirm that the convergence rate of the models is inversely proportional to the degree of Non-IID data distribution. Moreover, judicial selection of network topologies and training strategies can aid in this convergence process for the practical edge deployment of DFL.
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 | 0,008 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,004 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
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 ».