CoDa-FL: Clusterbasierte Client-Auswahl beschleunigt Learning im Edge Computing

In einer neuen Studie auf arXiv wird ein innovatives Verfahren namens CoDa-FL vorgestellt, das die Auswahl von Clients im Federated Learning (FL) in mobilen Edge-Computing-Umgebungen optimiert. Durch die Berücksichtigung von Abhängigkeiten zwischen mehreren Lernaufgaben soll die Gesamtzeit für die Fertigstellung aller Aufgaben reduziert werden.

CoDa-FL nutzt die Earth Mover's Distance (EMD), um Clients in Cluster zu gruppieren, die ähnliche lokale Datenverteilungen aufweisen. Diese Clusterbildung senkt nicht nur die Rechenkosten, sondern verbessert auch die Kommunikationseffizienz, da ähnliche Daten gemeinsam verarbeitet werden können. Die Autoren zeigen, dass die intra-cluster EMD einen direkten Einfluss auf die benötigte Anzahl an Trainingsrunden hat, was die Suche nach einer optimalen Lösung stark vereinfacht.

Zusätzlich integriert das System einen gerichteten azyklischen Graphen (DAG), um die Abhängigkeiten zwischen den Aufgaben zu steuern. Auf diese Weise werden Aufgaben in einer Reihenfolge ausgeführt, die die Abhängigkeiten respektiert und gleichzeitig die Ressourcen optimal nutzt.

Numerische Experimente belegen, dass CoDa-FL bestehende Ansätze übertrifft: Es erreicht schnelleres Konvergenzverhalten, senkt sowohl Kommunikations- als auch Rechenkosten und steigert die Lerngenauigkeit in heterogenen Edge-Computing-Szenarien.