Tassonomia del Federated Learning

Un framework sistematico per la classificazione delle soluzioni in Federated Learning

Risultati della ricerca

Come utilizzare questa tassonomia

Grafo Interattivo della Tassonomia

Visualizzazione interattiva delle relazioni tra le categorie e sottocategorie della tassonomia.

Esplora il Grafo Interattivo

Ricerca Avanzata

Strumenti avanzati per esplorare la tassonomia attraverso ricerche mirate.

Cerca per categoria

Cerca per parola chiave

Filtra per focus di ricerca

1

Architetture di Comunicazione

Raggruppamento logico delle strutture di rete e dei pattern di comunicazione fra i nodi.

Centralizzate

  • Server-client tradizionale
  • Aggregazione con server centrale

Decentralizzate

  • Peer-to-peer
  • Gossiping

Gerarchiche

  • Multi-livello
  • Edge-cloud ibride
2

Privacy e Protezione dei Dati

Tecniche per garantire la riservatezza dei dati durante l'addestramento federato.

Crittografia e Computazione Sicura

  • Crittografia omomorfica
  • Secure multi-party computation
  • Zero-knowledge proofs

Differential Privacy e Perturbazione

  • Differential privacy
  • Aggiunta di rumore

Anonimizzazione e Mascheramento

  • Shuffling
  • Mascheramento delle identità
3

Sicurezza e Robustezza

Meccanismi per proteggere il processo di federated learning da attacchi malevoli e da guasti di sistema.

Difese contro Attacchi

  • Rilevamento di poisoning (attacchi backdoor)
  • Difese contro inferenza (membership inference, model inversion)

Fault Tolerance

  • Recupero da guasti
  • Ridondanza e replicazione
4

Metodi di Aggregazione

Algoritmi per combinare i parametri/aggiornamenti locali in un modello globale.

Basati su Media

  • FedAvg (Federated Averaging)
  • Media ponderata

Robusti agli Outlier

  • Trimmed mean
  • Mediana federata

Adattivi

  • Basati su contribuzione (es., FedNova)
  • Basati su qualità o quantità dei dati
5

Gestione dell'Eterogeneità Focus

Caratterizzazione e gestione delle differenze strutturali tra client in termini di dati, risorse e contesto semantico.

Eterogeneità dei Dati (Non-IID)

  • Distribuzione statistica (feature skew)
  • Distribuzione di label (label skew)
  • Quantità di dati per client (quantity skew)

Eterogeneità dei Dispositivi

  • Capacità computazionale
  • Memoria disponibile
  • Connettività e larghezza di banda

Eterogeneità Semantica

  • Differenze di dominio
  • Variazioni contestuali
  • Rappresentazioni diverse degli stessi concetti
6

Gestione della Dinamicità Focus

Strategie per affrontare i cambiamenti nel tempo nelle condizioni del sistema federato, nei dati e nella disponibilità dei partecipanti.

Evoluzione Temporale dei Dati

  • Concept drift
  • Seasonal patterns
  • Continual learning

Dinamicità della Partecipazione

  • Client dropout
  • Disponibilità intermittente
  • Onboarding di nuovi client

Adattamento Dinamico del Modello

  • Adattamento automatico dell'architettura
  • Parameter evolution tracking
  • Adaptive learning rates
7

Personalizzazione

Metodologie per adattare il modello globale alle esigenze specifiche dei singoli client o gruppi di client.

Transfer Learning

  • Fine-tuning locale
  • Domain adaptation

Meta-Learning

  • Model-agnostic meta-learning (MAML)
  • Reptile

Multi-Task Learning

  • Hard parameter sharing
  • Soft parameter sharing
  • Cliente-specific layers
8

Ottimizzazione ed Efficienza della Comunicazione

Tecniche per ridurre il carico di rete e migliorare i tempi di convergenza, ottimizzando le interazioni tra i nodi.

Compressione dei Modelli

  • Quantizzazione
  • Sparsificazione
  • Knowledge distillation

Selezione dei Client

  • Campionamento casuale
  • Selezione basata su risorse (banda, CPU)
  • Selezione basata su contribuzione (es., importanza statistica)

Scheduling e Coordinamento

  • Asincrono
  • Semi-sincrono
  • Basato su priorità
9

Applicazioni e Casi d'Uso

Principali settori in cui il federated learning sta trovando applicazioni concrete.

Healthcare

  • Imaging medico
  • Monitoraggio pazienti

IoT e Edge Computing

  • Sensori distribuiti
  • Sistemi embedded

Mobile e Dispositivi Personali

  • Tastiere predittive
  • Raccomandazioni personalizzate
10

Valutazione e Metriche

Framework comprensivo per valutare le soluzioni FL con particolare attenzione all'eterogeneità e alla dinamicità.

Metriche di Accuratezza e Convergenza

  • Curva di apprendimento
  • Tempo di convergenza
  • Fairness tra client

Metriche di Eterogeneità

  • Earth Mover's Distance (EMD)
  • Kullback-Leibler divergence
  • Coefficiente di variazione

Metriche di Dinamicità

  • Tasso di drift detection
  • Adattabilità al cambiamento
  • Recovery time

Metriche di Sicurezza e Privacy

  • Privacy budget (ε in Differential Privacy)
  • Robustezza agli attacchi

Efficienza Energetica e Risorse

  • Consumo energetico
  • Overhead di comunicazione
  • Utilizzo della memoria