Resumen

El aprendizaje federado (FL) es un modelo distribuido para el aprendizaje profundo que integra la arquitectura cliente-servidor, la computación de borde y la inteligencia en tiempo real. El FL tiene la capacidad de revolucionar el aprendizaje automático (ML), pero carece de practicidad de implementación debido a las limitaciones tecnológicas, la sobrecarga de comunicación, los datos no IID (independientes e idénticamente distribuidos) y las preocupaciones de privacidad. El entrenamiento de un modelo de ML sobre datos heterogéneos no IID degrada mucho la tasa de convergencia y el rendimiento. Los algoritmos tradicionales y agrupados de ML existentes presentan dos limitaciones principales, incluyendo el entrenamiento ineficiente del cliente y la utilización estática de los hiperparámetros. Para superar estas limitaciones, proponemos un nuevo algoritmo híbrido, el FL genético agrupado (CFL genético), que agrupa los dispositivos de borde en función de los hiperparámetros de entrenamiento y modifica genéticamente los parámetros en función de los clusters. A continuación, introducimos un algoritmo que aumenta drásticamente la precisión de los clústeres individuales integrando la agrupación basada en la densidad y la optimización genética de los hiperparámetros. Los resultados se evalúan utilizando el conjunto de datos de dígitos manuscritos MNIST y el conjunto de datos CIFAR-10. El CFL genético propuesto muestra mejoras significativas y funciona bien con casos realistas de datos ambiguos y sin identificación. Se observa una precisión del 99,79% en el conjunto de datos MNIST y del 76,88% en el conjunto de datos CIFAR-10 con sólo 10 rondas de entrenamiento.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:fl genético agrupado, algoritmo fl agrupado, precisión de cluster individual, algoritmo híbrido novedoso, optimización de hiperparámetros genéticos, practicidad de implementación, cfl genético propuesto, utilización de hiperparámetros estáticos, conjunto de datos de dígitos escritos a mano, entrenamiento de clientes ineficiente
• Keywords:genetic clustered fl, clustered fl algorithm, individual cluster accuracy, novel hybrid algorithm, genetic hyperparameter optimization, practicality of implementation, proposed genetic cfl, static hyperparameter utilization, handwritten digit dataset, inefficient client training