Client Selection in Federated Learning on Non-IID Data using Conformal Prediction
Authors
Pedersen, Sisse Hyldig ; Christensen, Frederik ; Knudsen, Benjamin Bitsch
Term
4. semester
Education
Publication year
2023
Abstract
Federated learning (FL) preserves privacy by keeping data on client devices, but non-IID data makes selecting the right clients for aggregation crucial. This thesis proposes using conformal prediction (CP) to guide client selection: a CP-linked metric enables each client to assess when local training is sufficient and whether to join a given global training round. The approach is evaluated on three classification datasets (MNIST, EMNIST, and CIFAR10), distributed both IID and non-IID, using a convolutional neural network and varying error rates and numbers of clients. Results show that CP-based selection improves prediction accuracy over standard random aggregation in non-IID settings, and that CP parameter choices substantially affect performance.
Fødereret læring (FL) bevarer privatliv ved at lade data blive på klientenheder, men skævt fordelt (non-IID) data gør det afgørende at udvælge de rigtige klienter til aggregation. Denne afhandling foreslår at bruge konform prædiktion (CP) som grundlag for klientudvælgelse: en CP-tilknyttet metrik bruges af hver klient til at vurdere, hvornår den lokale træning er tilstrækkelig, og om klienten bør deltage i en given global træningsrunde. Metoden evalueres på tre klassifikationsdatasæt (MNIST, EMNIST og CIFAR10), fordelt både IID og non-IID, med en konvolutionel neuralt netværk og varierende fejlrater samt antal klienter. Resultaterne viser, at den CP-baserede udvælgelse forbedrer prædiktionsnøjagtigheden sammenlignet med standard tilfældig aggregation i non-IID scenarier, og at valg af CP-parametre har væsentlig indflydelse på ydeevnen.
[This apstract has been generated with the help of AI directly from the project full text]