ترجمه فارسی مقاله یادگیری فدرال به عنوان سرویسی برای شبکه‌های لبه‌ای سلسله مراتبی با مدل‌های ناهمگن

چکیده

Federated learning (FL) is a distributed Machine Learning (ML) framework that is capable of training a new global model by aggregating clients’ locally trained models without sharing users’ original data. Federated learning as a service (FLaaS) offers a privacy-preserving approach for training machine learning models on devices with various computational resources. Most proposed FL-based methods train the same model in all client devices regardless of their computational resources. However, in practical Internet of Things (IoT) scenarios, IoT devices with limited computational resources may not be capable of training models that client devices with greater hardware performance hosted. Most of the existing FL frameworks that aim to solve the problem of aggregating heterogeneous models are designed for Independent and Identical Distributed (IID) data, which may make it hard to reach the target algorithm performance when encountering non-IID scenarios. To address these problems in hierarchical networks, in this paper, we propose a heterogeneous aggregation framework for hierarchical edge systems called HAF-Edge. In our proposed framework, we introduce a communication-efficient model aggregation method designed for FL systems with two-level model aggregations running at the edge and cloud levels. This approach enhances the convergence rate of the global model by leveraging selective knowledge transfer during the aggregation of heterogeneous models. To the best of our knowledge, this work is pioneering in addressing the problem of aggregating heterogeneous models within hierarchical FL systems spanning IoT, edge, and cloud environments. We conducted extensive experiments to validate the performance of our proposed method. The evaluation results demonstrate that HAF-Edge significantly outperforms state-of-the-art methods.

چکیده به فارسی (ترجمه ماشینی)

Federated Learning (FL) یک چارچوب توزیع کننده ماشین یادگیری (ML) توزیع شده است که قادر به آموزش یک مدل جهانی جدید با جمع کردن مدلهای آموزش دیده محلی مشتری بدون به اشتراک گذاری داده های اصلی کاربران است.یادگیری فدرال به عنوان یک سرویس (FLAAS) یک رویکرد حفظ حریم خصوصی برای آموزش مدل های یادگیری ماشین در دستگاه هایی با منابع محاسباتی مختلف ارائه می دهد.بیشتر روشهای مبتنی بر FL ، بدون در نظر گرفتن منابع محاسباتی خود ، همان مدل را در کلیه دستگاه های مشتری آموزش می دهند.با این حال ، در سناریوهای عملی اینترنت اشیاء (IoT) ، دستگاه های IoT با منابع محاسباتی محدود ممکن است قادر به آموزش مدل هایی نباشند که دستگاه های مشتری با عملکرد سخت افزاری بیشتر میزبان هستند.بسیاری از چارچوب های FL موجود که هدف آنها حل مسئله جمع آوری مدلهای ناهمگن است ، برای داده های توزیع شده مستقل و یکسان (IID) طراحی شده اند ، که ممکن است هنگام مواجهه با سناریوهای غیر IID ، دستیابی به عملکرد الگوریتم هدف را دشوار کند.برای پرداختن به این مشکلات در شبکه های سلسله مراتبی ، در این مقاله ، ما یک چارچوب تجمع ناهمگن برای سیستم های لبه سلسله مراتبی به نام HAF-EDGE پیشنهاد می کنیم.در چارچوب پیشنهادی ما ، ما یک روش جمع آوری مدل با ارتباط با ارتباطات را معرفی می کنیم که برای سیستم های FL با تجمع مدل دو سطح در سطح لبه و ابر طراحی شده است.این رویکرد با استفاده از انتقال دانش انتخابی در طول تجمع مدلهای ناهمگن ، میزان همگرایی مدل جهانی را افزایش می دهد.به بهترین دانش ما ، این کار در پرداختن به مشکل جمع آوری مدلهای ناهمگن در سیستم های سلسله مراتبی FL که دارای محیط های IoT ، Edge و Cloud هستند پیشگام است.ما آزمایش های گسترده ای را برای اعتبارسنجی عملکرد روش پیشنهادی خود انجام دادیم.نتایج ارزیابی نشان می دهد که HAF-EDGE به طور قابل توجهی از روشهای پیشرفته بهتر عمل می کند.