Strukturella kausala modeller för distributionsskiften i federated learning

Syfte och mål

Detta projekt syftar till att hantera skilda datadistributioner och klientdrift inom federerad inlärning genom att utveckla metoder som kan hantera distributionsskiften och förbättra modellernas robusthet och generalisering. Projektet kommer också att undersöka osäkerhetskvantifiering i federerade inlärningsmodeller och integrera kausala metoder för att minska confounding bias. Metoderna kommer att testas på verkliga problem inom telekommunikation. Målet är att skapa mer robusta system för federerad inlärning som kan hantera dynamiska datakällor.

Förväntade effekter och resultat

Detta projekt kommer att skapa teknik som kan minska confounding bias i federerad inlärning. De förväntade resultaten är minst två vetenskapliga publikationer i högt rankade datavetenskapskonferenser eller tidskrifter, och en demonstrator som kan köras på relevanta datamängder. Dessutom kommer demonstratorn testas och utvärderas på datauppsättningar från verkliga världen från telekomindustrin.

Planerat upplägg och genomförande

Detta projekt är organiserat kring tre arbetspaket som kommer att pågå under hela projekttiden. WP1: Projektadministration och spridning 97h, WP2: Strukturella orsaksmodeller för distributionsskifte i federerad inlärning 920h, och WP3: Pathway to impact 220h. I WP2 kommer vi att utveckla lösningar för att förbättra robustheten och prestandan hos FL. Detta inkluderar att hindra distributionsskiften, osäkerhetsuppskattning i FL och att ta in kausala resonemangstekniker för att minska effekten av distributionsskiften. I WP3 kommer teknikerna att testas på verkliga problem.