FedACT: Új AI-módszer gyorsítja a párhuzamos FL-feladatokat heterogén eszközökön
A decentralizált adatokon alapuló, adatvédelmi szempontból biztonságos gépi tanulás, a Federated Learning (FL) egyre több valós alkalmazásban jelenik meg, ahol több feladat osztozik az eszközparkon.
Új eszközütemezési megközelítést mutatott be az ArXiv ML-en publikált tanulmány, amely a FedACT nevet viseli. A módszer célja, hogy hatékonyabban ossza el a heterogén eszközöket több, egyidejűleg futó Federated Learning (FL) feladat között, minimalizálva az átlagos feladat-befejezési időt (JCT) — írja a kutatás.
Az ilyen több-FL rendszerekben a hagyományos, egyfeladatos FL-optimalizálási technikák alkalmazása gyakran alulteljesít, különösen az eszközök heterogenitása és az erőforrás-ineffektivitás miatt. A FedACT pontosan ezt a kritikus kihívást célozza meg, dinamikusan rendelve eszközöket a FL-feladatokhoz egy illesztési pontozási mechanizmus alapján.
A széttagolt erőforrások egyesítése
A FedACT megközelítése figyelembe veszi az erőforrás-heterogenitást, ami kulcsfontosságú a különböző típusú eszközök, például okostelefonok, IoT-eszközök vagy szerverek hatékony kihasználásához. A tanulmány szerint a FedACT jelentősen javíthatja a rendszer teljesítményét azáltal, hogy optimalizálja az eszközök és a feladatok közötti elosztást, így csökkentve az átlagos feladat-befejezési időt.
A hatékonyság új dimenziója
A FedACT tanulmányának eredményei arra utalnak, hogy a módszer 2024-re széles körben alkalmazható lesz a Federated Learning alkalmazásaiban, többek között az okostelefonokon és az IoT-eszközökön, a Google és az Apple által támogatott projektekben.