Towards Robust Federated Image Classification: An Empirical Study of Weight Selection Strategies in Manufacturing

要約

Federated Learning (FL) の領域、特に製造部門では、サーバー集約のためのクライアントの重みを選択する戦略がモデルのパフォーマンスにとって極めて重要です。
この研究では、最終エポック重み選択 (FEWS) と最適エポック重み選択 (OEWS) という 2 つの重み選択戦略の有効性を比較調査します。
通常、限られた数のパートナー (2 ～ 4 人のクライアント) でコラボレーションが行われる製造環境向けに設計されており、私たちの研究はフェデレーテッド画像分類タスクに焦点を当てています。
EfficientNet、ResNet、VGG などのさまざまなニューラル ネットワーク アーキテクチャを採用して、これらの重み選択戦略がモデルの収束と堅牢性に与える影響を評価します。
私たちの研究は、FEWS と OEWS のどちらがコミュニケーション ラウンド (CR) 全体でグローバル FL モデルのパフォーマンスを向上させるかを判断することを目的としています。
当社は実証分析と厳密な実験を通じて、製造における FL の実装を最適化するための貴重な洞察を提供し、限られた数の参加クライアントで協力的な取り組みにより最も効果的で信頼性の高いモデルを確実に生み出すことを目指しています。
この研究の結果により、製造業における FL の実践が大幅に改善され、この重要な分野における協調的な機械学習の取り組みの効率とパフォーマンスが向上すると期待されています。

要約(オリジナル)

In the realm of Federated Learning (FL), particularly within the manufacturing sector, the strategy for selecting client weights for server aggregation is pivotal for model performance. This study investigates the comparative effectiveness of two weight selection strategies: Final Epoch Weight Selection (FEWS) and Optimal Epoch Weight Selection (OEWS). Designed for manufacturing contexts where collaboration typically involves a limited number of partners (two to four clients), our research focuses on federated image classification tasks. We employ various neural network architectures, including EfficientNet, ResNet, and VGG, to assess the impact of these weight selection strategies on model convergence and robustness. Our research aims to determine whether FEWS or OEWS enhances the global FL model’s performance across communication rounds (CRs). Through empirical analysis and rigorous experimentation, we seek to provide valuable insights for optimizing FL implementations in manufacturing, ensuring that collaborative efforts yield the most effective and reliable models with a limited number of participating clients. The findings from this study are expected to refine FL practices significantly in manufacturing, thereby enhancing the efficiency and performance of collaborative machine learning endeavors in this vital sector.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google