Staleness‑Bewusstes Daten‑Update in Federated Learning: DUFL‑Mechanismus

In der Community des federierten Lernens stellt die Handhabung von Datenstalenheit ein zentrales Problem dar, insbesondere bei Aufgaben, die stark von Echtzeitdaten abhängen. Kontinuierlich generierte Daten verlieren schnell an Relevanz, was die Genauigkeit der Modelle erheblich beeinträchtigt. Bisher haben sich Studien meist auf die Optimierung der Aktualisierungsfrequenz oder die Auswahl der Clients konzentriert, ohne gleichzeitig die Datenmenge zu berücksichtigen.

Die neue Arbeit präsentiert DUFL (Datenaktualisierung im federierten Lernen), ein Anreizsystem, das drei zentrale Parameter steuert: die Zahlung des Servers an die Clients, die Rate, mit der veraltete Daten erhalten bleiben, und das Volumen an frischen Daten, das die Clients sammeln. Durch diese drei „Knöpfe“ wird die Balance zwischen Stalenheit und Datenvolumen optimal auf die Nutzen der Beteiligten abgestimmt.

Ein zentrales Element von DUFL ist die Kennzahl DoS (Grad der Stalenheit), die die Stalenheit von Daten quantifiziert. Die Autoren führen eine theoretische Analyse durch, die den quantitativen Zusammenhang zwischen DoS und der Modellleistung aufzeigt. Das gesamte System wird als zweistufiges Stackelberg‑Spiel mit dynamischen Nebenbedingungen modelliert, wodurch die optimale lokale Aktualisierungsstrategie jedes Clients in geschlossener Form und eine annähernd optimale Strategie für den Server abgeleitet werden können.

Experimentelle Tests auf realen Datensätzen demonstrieren, dass DUFL die Modellleistung signifikant steigert. Die Kombination aus Anreizmechanismus, DoS‑Messung und spieltheoretischer Optimierung bietet einen vielversprechenden Ansatz, um die Herausforderungen der Datenstalenheit in federierten Lernumgebungen zu überwinden.