Aprendizado Federado com Agrupamento Hierárquico de Clientes para Aumento da Acurácia

  • Lucas Airam C. de Souza UFRJ
  • Gustavo F. Camilo UFRJ
  • Matteo Sammarco AXA
  • Miguel Elias M. Campista UFRJ
  • Luís Henrique M. K. Costa UFRJ

Resumo


O desempenho do aprendizado federado depende da distribuição dos dados, mostrando alta degradação no cenário de clientes com dados heterogêneos. Este artigo propõe um esquema hierárquico de agrupamento de clientes para contornar os desafios gerados por distribuições de dados não Independentes e Identicamente Distribuídas (não-IID) no aprendizado federado. Os grupos criados possuem clientes nos quais os dados possuem distribuições aproximadamente IID, facilitando a convergência do modelo. O sistema possui uma fase de inicialização, na qual o servidor executa um algoritmo de aprendizado não supervisionado de agrupamento sobre o vetor de bias da última camada da rede neural dos clientes. O algoritmo DBSCAN demonstrou melhores resultados de agrupamento, identificando corretamente os grupos até quando todos os clientes possuem conjuntos de dados com distribuições IID. Por fim, os resultados mostram o aumento de até 16% da acurácia em relação à abordagem de aprendizado federado tradicional quando os clientes possuem conjuntos de dados não-IID.

Referências

Ankerst, M., Breunig, M. M., Kriegel, H.-P. e Sander, J. (1999). OPTICS: Ordering Points to Identify the Clustering Structure. ACM Sigmod record, páginas 49–60.

Beutel, D. J. et al. (2020). Flower: A Friendly Federated Learning Research Framework. arXiv preprint arXiv:2007.14390.

Bochie, K. et al. (2021). Análise do Aprendizado Federado em Redes Móveis. Em SBRC, páginas 71–84.

de Souza, L. A. C. et al. (2020). DFedForest: Decentralized Federated Forest. Em International Conference on Blockchain, páginas 90–97. IEEE.

Dennis, D. K., Li, T. e Smith, V. (2021). Heterogeneity for the Win: One-Shot Federated Clustering. arXiv preprint arXiv:2103.00697.

Desai, H. B., Ozdayi, M. S. e Kantarcioglu, M. (2021). BlockFLA: Accountable Federated Learning via Hybrid Blockchain Architecture. Em Proceedings of ACM Conference on Data and Application Security and Privacy, páginas 101–112.

Douceur, J. R. (2002). The Sybil Attack. Em International Workshop on Peer-to-Peer Systems, páginas 251–260. Springer.

Ester, M., Kriegel, H.-P., Sander, J., Xu, X. et al. (1996). A Density-based Algorithm for Discovering Clusters in Large Spatial Databases with Noise. Em KDD, páginas 226–231.

Ghosh, A., Chung, J., Yin, D. e Ramchandran, K. (2020). An Efficient Framework for Clustered Federated Learning. arXiv preprint arXiv:2006.04088.

Krizhevsky, A. et al. (2009). Learning Multiple Layers of Features from Tiny Images. Citeseer.

Lai, F., Zhu, X., Madhyastha, H. V. e Chowdhury, M. (2021). Oort: Efficient Federated Learning via Guided Participant Selection. Em OSDI, páginas 19–35.

Liu, L., Zhang, J., Song, S. e Letaief, K. B. (2020). Client-Edge-Cloud Hierarchical Federated Learning. Em International Conference on Communications, páginas 1–6.

Luo, B. et al. (2021). Tackling System and Statistical Heterogeneity for Federated Learning with Adaptive Client Sampling. arXiv preprint arXiv:2112.11256.

MacQueen, J. et al. (1967). Some Methods for Classification and Analysis of Multivariate Observations. Em Proceedings of the fifth Berkeley symposium on mathematical statistics and probability, páginas 281–297. Oakland, CA, USA.

McMahan, B. et al. (2017). Communication-efficient Learning of Deep Networks from Decentralized Data. Artificial Intelligence and Statistics, páginas 1273–1282.

Neto, H. N. et al. (2021). FedSA: Arrefecimento Simulado Federado para a Aceleração da Detecção de Intrusão em Ambientes Colaborativos. Em SBRC, páginas 280–293.

Nishio, T. e Yonetani, R. (2019). Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge. Em International Conference on Communications, páginas 1–7.

Ouyang, X. et al. (2021). ClusterFL: a Similarity-Aware Federated Learning System for Human Activity Recognition. Em Proceedings of the 19th Annual International Conference on Mobile Systems, Applications, and Services, páginas 54–66.

Pedregosa, F. et al. (2011). Scikit-learn: Machine Learning in Python. Journal of Machine Learning Research, 12:2825–2830.

Sattler, F., Müller, K.-R. e Samek, W. (2020). Clustered Federated Learning: Model-Agnostic Distributed Multitask Optimization under Privacy Constraints. Transactions on Neural Networks and Learning Systems.

Sun, Z., Kairouz, P., Suresh, A. T. e McMahan, H. B. (2019). Can You Really Backdoor Federated Learning? arXiv preprint arXiv:1911.07963.

Wang, H., Kaplan, Z., Niu, D. e Li, B. (2020). Optimizing Federated Learning on Non-IID Data with Reinforcement Learning. Em INFOCOM, páginas 1698–1707.

Zhao, Y., Li, M., Lai, L., Suda, N., Civin, D. et al. (2018). Federated Learning with Non-IID Data. arXiv preprint arXiv:1806.00582.
Publicado
23/05/2022
Como Citar

Selecione um Formato
SOUZA, Lucas Airam C. de; CAMILO, Gustavo F.; SAMMARCO, Matteo; CAMPISTA, Miguel Elias M.; COSTA, Luís Henrique M. K.. Aprendizado Federado com Agrupamento Hierárquico de Clientes para Aumento da Acurácia. In: SIMPÓSIO BRASILEIRO DE REDES DE COMPUTADORES E SISTEMAS DISTRIBUÍDOS (SBRC), 40. , 2022, Fortaleza. Anais [...]. Porto Alegre: Sociedade Brasileira de Computação, 2022 . p. 545-558. ISSN 2177-9384. DOI: https://doi.org/10.5753/sbrc.2022.222371.

Artigos mais lidos do(s) mesmo(s) autor(es)

1 2 > >>