FedCIM: Handling Data Heterogeneity in Federated Learning to Improve Fairness and Robustness
Notice bibliographique
Résumé
Federated learning has emerged as a framework for collaborative learning among decentralized clients, allowing the generation of a shared model while maintaining data privacy and control. Data heterogeneity across clients is considered a key factor that degrades the performance of collaborative learning and can lead to biased global models. The existence of non-identically and independently distributed (non-IID) data across clients presents substantial challenges to fairness and robustness in federated learning. To mitigate data heterogeneity challenges, we present an efficient approach named clustered FL with an iterative mechanism (FedCIM) that interprets the diverse data distribution of clients as separate tasks and applies multitask learning to provide personalized models. Our methodology iteratively groups clients according to similarities in their data distributions and develops personalized models for each realized distribution cluster. We alleviate the need for the participation of all clients in each training round. This adaptive clustering approach iteratively refines client groupings during the federation process, ensuring suitable task partitioning. We illustrate the effectiveness of our approach through empirical evaluation, achieving better accuracy (95.33%), fairness, and robustness relative to conventional federated learning methods, especially under conditions of extreme data heterogeneity, thus enhancing its applicability for real-world federated learning implementations.
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 | 0,013 | 0,032 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,003 | 0,004 |
| Science ouverte | 0,004 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».