abstract
All’intersezione tra i sistemi distribuiti e il machine learning, si è sviluppato recentemente ed è in rapida ascesa il federated learning, un approccio all’apprendimento automatico distribuito che permette di addestrare un modello predittivo condiviso da un insieme di dispositivi diversi mantenendo i dati sui dispositivi stessi, facendo così a meno della necessità di raccogliere e archiviare i dati in maniera centralizzata, con lo scopo di garantire la privacy dei dati dei partecipanti. Oggigiorno esistono alcuni framework software, in vari stadi di sviluppo, che consentono di implementare nella pratica semplici sistemi di federated learning su dispositivi eterogenei. Questo lavoro nasce dall’idea di estendere Flower, uno dei più promettenti framework a disposizione, per supportare un nuovo meccanismo di federated learning che consente l’implementazione di algoritmi ispirati a una procedura comune in ambito accademico, detta di revisione tra pari o peer review in inglese, con l’obiettivo di ottenere modelli di previsione più performanti. La libreria sviluppata, chiamata PeerReview-Flower, è stata quindi utilizzata per implementare un nuovo algoritmo federato di tipo gradient boosted decision trees, chiamato FedLSBT, con cui si sono realizzati esperimenti per task di regressione e classificazione.
outcomes
