FedTeddi: Drift- und Divergenz-basierte Planung beschleunigt Federated Edge Learning

FedTeddi ist ein neu entwickelter Scheduling-Algorithmus für Federated Edge Learning (FEEL), der die dynamische Natur von Daten in verteilten Edge‑Netzwerken berücksichtigt. Im Gegensatz zu bisherigen Ansätzen, die meist von statischen, i.i.d. Datensätzen ausgehen, erkennt FedTeddi kontinuierliche Veränderungen in den lokalen Datensätzen der Clients.

Der Kern von FedTeddi liegt in der quantitativen Messung von „temporal drift“ und „collective divergence“. Beide Eigenschaften werden über die Earth Mover’s Distance (EMD) der Klassenverteilungen berechnet, wodurch die zeitlichen und räumlichen Unterschiede zwischen den Clients präzise erfasst werden. Auf dieser Basis optimiert FedTeddi die Auswahl der Clients für jede Trainingsrunde und verteilt gleichzeitig die verfügbaren Bandbreiten effizient.

Experimentelle Ergebnisse zeigen, dass FedTeddi die Testgenauigkeit deutlich steigert und die Konvergenzzeit verkürzt. Im Vergleich zu zufälliger Planung verbessert sich die Konvergenzrate um 58,4 % bei CIFAR‑10 und um 49,2 % bei CIFAR‑100. Damit bietet FedTeddi eine robuste Lösung, um FEEL‑Modelle schnell an sich wandelnde Daten anzupassen, ohne dabei frühere Erkenntnisse zu verlieren.