Análise de estratexias de aprendizaxe federada robustas a datos heteroxéneos

Abstract

A aprendizaxe federada (AF) permite adestrar modelos de forma descentralizada sen compartir datos sensibles, mais sofre importantes limitacións en contextos con datos heteroxéneos. Os algoritmos tradicionais tenden a fallar na xeneralización global ou na personalización local. Este traballo presenta FLProtector, un marco dual no que cada cliente aprende un incremento local sobre un modelo global compartido, e decide dinamicamente que modelo utilizar en inferencia mediante un autoencoder adestrado localmente para detectar entradas fóra de distribución. Ademais, FLProtector incorpora un mecanismo de agregación robusto baseado na consistencia de gradientes, que atenúa a influencia de clientes con actualizacións que se desvían do rumbo global agardado. A proposta é avaliada baixo distintos niveis de heteroxeneidade no benchmark Digit-Five, mostrando melloras consistentes fronte métodos clásicos e de personalización do estado da arte, logrando un equilibrio efectivo entre personalización e xeneralización. O sistema mantén o seu rendemento incluso ante clientes estritamente maliciosos, e o estudo por capas confirma a relevancia de cada unha das súas compoñentes. Por último, a proposta salienta por non requerir unha sintonización sensible de hiperparámetros, o que facilita a súa aplicabilidade en escenarios reais