Fed‑Meta‑Align: Pipeline verbessert Federated TinyML bei heterogenen IoT‑Daten

Die Echtzeit‑Fehlerklassifikation in ressourcenbeschränkten IoT‑Geräten ist für die industrielle Sicherheit von entscheidender Bedeutung. Doch die Entwicklung robuster Modelle in solchen heterogenen Umgebungen stellt herkömmliches Federated Learning (FL) vor große Herausforderungen, weil nicht‑IID‑Daten häufig zu Modelldivergenz führen.

Fed‑Meta‑Align präsentiert einen vierphasigen Ansatz, der diese Probleme gezielt adressiert. Zunächst wird ein Basis‑Modell auf einem allgemeinen öffentlichen Datensatz trainiert, um einen soliden Ausgangspunkt zu schaffen. Anschließend erfolgt eine sequentielle Meta‑Initialisierung, bei der das Modell auf einer Teilmenge von IoT‑Gerätedaten weitertrainiert wird, um eine heterogenitätsbewusste Startposition im Verlustlandscape zu erreichen.

In der parallelen FL‑Phase wird ein dualer Aggregationsmechanismus eingesetzt, der die Updates der Geräte sowohl nach lokaler Leistung als auch nach Cosinus‑Ähnlichkeit gewichtet. Dadurch werden die Beiträge der einzelnen Geräte optimal abgestimmt. Abschließend wird das globale Modell auf jedem Gerät personalisiert, sodass es zu einem spezialisierten Experten für die jeweilige Hardware wird.

Umfangreiche Experimente zeigen, dass Fed‑Meta‑Align eine durchschnittliche Test‑Genauigkeit von 91,27 % erzielt und damit personalisierte FedAvg‑ und FedProx‑Modelle um bis zu 3,87 % bzw. 3,37 % bei elektrischen und mechanischen Fehlerdatensätzen übertrifft. Der mehrstufige Ansatz aus sequenzieller Initialisierung und adaptiver Aggregation liefert damit einen deutlichen Fortschritt für Federated TinyML in heterogenen IoT‑Umgebungen.