Federated Learning verbessert nichtlineare Systemidentifikation
Die jüngste Veröffentlichung auf arXiv untersucht, wie dezentralisiertes Lernen (Federated Learning) für lineare Parameter nichtlinearer Systeme eingesetzt werden kann. Ziel ist es, die Identifikation solcher Systeme ohne zentrale Datenaggregation zu ermöglichen.
Die Autoren zeigen theoretisch, dass die Konvergenzrate bei federated nonlinear system identification mit steigender Anzahl an Clients besser wird. Der Unterschied zu zentralen Ansätzen besteht lediglich in einer konstanten Faktor, der von der gewählten Feature‑Abbildung φ abhängt. Durch sorgfältige Auswahl von φ kann die Erregung erhöht und die Leistung verbessert werden.
Die Theorie wird in physikalischen Experimenten bestätigt. Dabei werden Geräte mit unabhängigen, identisch verteilten (i.i.d.) Steuerungseingängen und Steuerungspolitiken betrieben, die zufällige Störungen aufweisen. Die Daten stammen aus nichtlinearen Dynamiksystemen mit analytischen Feature‑Funktionen – darunter Polynome und trigonometrische Terme – die typische physikalische Modelle wie Pendel und Quadrotor repräsentieren.
Die Analyse der Konvergenz unter variierenden Rausch‑ und Datenverteilungen zeigt, dass das federated Learning bei jeder Zunahme der teilnehmenden Clients die Konvergenz für jeden einzelnen Client verbessert. Damit liefert die Arbeit einen klaren Nutzen für die Praxis der dezentralen Systemidentifikation.