Selbstentwickelnde Gaußsche Cluster revolutionieren Federated Learning

In einer bahnbrechenden Studie wird ein Evolving Fuzzy System vorgestellt, das im Rahmen von Federated Learning arbeitet. Das System erweitert sich dynamisch, indem es neue Cluster hinzufügt und somit die vorherige Notwendigkeit, die Clusterzahl vorab festzulegen, überwindet.

Federated Learning ermöglicht es, Modelle lokal auf den Geräten der Nutzer zu trainieren. Dabei werden lediglich die Modellparameter an einen zentralen Server gesendet, während die Rohdaten vollständig auf den Endgeräten bleiben. Diese dezentrale Vorgehensweise schützt die Privatsphäre der Anwender und reduziert die Notwendigkeit großer Datenmengen im zentralen Speicher.

Die Implementierung erfolgte in PyTorch und wurde sowohl an Clustering- als auch an Klassifikationsaufgaben getestet. Auf mehreren bekannten UCI‑Datensätzen übertraf die Methode etablierte Klassifikationsalgorithmen deutlich, was die Leistungsfähigkeit des selbstentwickelnden Ansatzes unterstreicht.

Obwohl die Berechnung der Überlappungsbedingungen rechenintensiv ist, zeigt die Studie, dass die Vorteile bei der Verarbeitung dezentraler Daten die zusätzlichen Kosten aufwiegen. Das vorgestellte System bietet damit einen vielversprechenden Weg, um robuste Modelle in verteilten Umgebungen zu entwickeln.