FedUHD: Federated Learning ohne Labels dank Hyperdimensional Computing

Ein neues Verfahren namens FedUHD kombiniert unüberwachtes Federated Learning mit Hyperdimensional Computing (HDC) und löst damit zentrale Probleme der dezentralen KI. Durch die Nutzung von HDC werden die Modelle deutlich leichter, schneller und weniger rechenintensiv als bei herkömmlichen neuronalen Netzen.

FedUHD führt zwei innovative Ansätze ein: Auf den Geräten entfernt ein kNN‑basierter Cluster‑Hypervektor‑Filter schädliche Ausreißer, die bei nicht‑iid‑Verteilungen entstehen. Auf dem Server sorgt eine gewichtete HDC‑Aggregation dafür, dass die unterschiedlichen Datenmengen der Clients ausgeglichen werden.

Die Ergebnisse sind beeindruckend: Im Training erreicht FedUHD bis zu 173,6‑fachen Geschwindigkeitszuwachs und 612,7‑fachen Energiegewinn. Die Kommunikationskosten sinken um bis zu 271‑fach, während die Genauigkeit im Durchschnitt um 15,5 % steigt. Zudem bleibt das System gegenüber verschiedensten Störquellen robust.