Decentralized brilliance: deploying a federated learning platform and evaluating aggregation algorithms

Abstract

Com o desenvolvimento exponencial no campo da inteligência artificial, a preocupação com a privacidade e a aquisição de dados aumentou dramaticamente. Vários governos já restringiram suas leis de proteção de dados para melhor proteger o indivíduo contra vazamentos de informações. Para mitigar a possibilidade de vazamento, foi concebida a abordagem de Federated Learning, de modo que os modelos pudessem ser treinados sem acessar os dados privados de uma entidade. Além disso, ela permite que vários clientes, geograficamente separados, participem do processo de treinamento sem compartilhar dados. Para este trabalho, uma plataforma de Federated Learning foi implantada em dois clientes usando tecnologia de contêineres. Além disso, foi realizado um procedimento de treinamento usando as duas estratégias de Federated Learning mais comuns e usando o conjunto de dados MNIST. Finalmente, os resultados alcançados foram capazes de determinar se a plataforma foi implantada corretamente e qual estratégia teve um desempenho melhor, tanto dentro do modelo quanto dentro das capacidades de hardware dos clientes.

With the exponential development in the artificial intelligence field, the concern for privacy and data acquisition has increased dramatically. Several governments have already restricted their data protection laws to better shield individuals from information leakage. The Federated Learning (FL) approach was conceived to mitigate any leakage possibility so that models could be trained without accessing one’s private data. Furthermore, it allows several clients who are geographically apart to partake in the training process without sharing data. This work deployed an FL platform in two clients using container technology. Moreover, a training procedure using the two most common FL strategies was performed using the MNIST dataset. Finally, the achieved results were able to tell whether the platform was correctly deployed and which strategy performed better, both within the model and within the hardware capabilities of the clients.