Il Federated Learning contribuisce a ridurre i tempi di apprendimento evitando l’addestramento su un’enorme massa di dati centralizzati. Tuttavia, basse capacità di calcolo o condizioni di rete sfavorevoli possono peggiorare i tempi di convergenza, riducendo così l’accuratezza e le prestazioni complessive del processo di apprendimento.
In questo lavoro proponiamo un framework per il deployment di client in rete, in grado di compensare la variazione del tempo end-to-end dovuta all’eterogeneità delle condizioni di rete. Presentiamo un nuovo schema di controllo per l’apprendimento distribuito, denominato In-network Federated Learning Control, che supporta l’esecuzione di funzioni di apprendimento federato distribuite in reti geograficamente estese, progettato per mitigare il problema dei stragglers (nodi lenti) con costi di deployment contenuti.
L’articolo è disponibile qui: doi.org/10.1016/j.comnet.2024.110900