EdgeFL: A Lightweight Decentralized Federated Learning Framework

要約

Federated Learning (FL) は、データ プライバシーの懸念に対処する、協調的な機械学習の有望なアプローチとして浮上しています。
しかし、既存の FL プラットフォームとフレームワークは、複雑さ、限られたカスタマイズ オプション、およびスケーラビリティの制限という点で、ソフトウェア エンジニアにとって課題となることがよくあります。
このペーパーでは、FL 導入における集中型の集約とスケーラビリティの制限を克服するように設計された、エッジ専用の軽量分散型 FL フレームワークである EdgeFL を紹介します。
EdgeFL は、エッジ専用モデルのトレーニングと集約のアプローチを採用することにより、中央サーバーの必要性を排除し、多様なユースケースにわたるシームレスなスケーラビリティを可能にします。
わずか 4 行のコード (LOC) を必要とする簡単な統合プロセスにより、ソフトウェア エンジニアは FL 機能を AI 製品に簡単に組み込むことができます。
さらに、EdgeFL は集計関数をカスタマイズする柔軟性を提供し、エンジニアが集計関数を特定のニーズに適応できるようにします。
結果に基づいて、EdgeFL が既存の FL プラットフォーム/フレームワークと比較して優れたパフォーマンスを達成することを実証します。
私たちの結果は、EdgeFL が重みの更新レイテンシを削減し、より迅速なモデル進化を可能にし、エッジ デバイスの効率を向上させることを示しています。
さらに、EdgeFL は、従来の集中型 FL アプローチと比較して分類精度が向上しています。
EdgeFL を活用することで、ソフトウェア エンジニアはフェデレーテッド ラーニングの利点を活用しながら、既存の FL プラットフォーム/フレームワークに関連する課題を克服できます。

要約(オリジナル)

Federated Learning (FL) has emerged as a promising approach for collaborative machine learning, addressing data privacy concerns. However, existing FL platforms and frameworks often present challenges for software engineers in terms of complexity, limited customization options, and scalability limitations. In this paper, we introduce EdgeFL, an edge-only lightweight decentralized FL framework, designed to overcome the limitations of centralized aggregation and scalability in FL deployments. By adopting an edge-only model training and aggregation approach, EdgeFL eliminates the need for a central server, enabling seamless scalability across diverse use cases. With a straightforward integration process requiring just four lines of code (LOC), software engineers can easily incorporate FL functionalities into their AI products. Furthermore, EdgeFL offers the flexibility to customize aggregation functions, empowering engineers to adapt them to specific needs. Based on the results, we demonstrate that EdgeFL achieves superior performance compared to existing FL platforms/frameworks. Our results show that EdgeFL reduces weights update latency and enables faster model evolution, enhancing the efficiency of edge devices. Moreover, EdgeFL exhibits improved classification accuracy compared to traditional centralized FL approaches. By leveraging EdgeFL, software engineers can harness the benefits of federated learning while overcoming the challenges associated with existing FL platforms/frameworks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google