A detailed performance analysis of IPFS-based decentralized federated learning

Federe öğrenme, bir modelin birden çok cihaz arasında eğitilmesini sağlayarak gizliliği artırır. Paylaşılan model merkezi bir sunucu olmadan eğitildiğinden ve verilerin depolanması ve kontrolü tek bir tarafça yapılmadığından, merkeziyetsiz federe öğrenme merkezi koordinatörü ortadan kaldırarak, dağıtılmış öğrenme sürecinin ölçeklenebilirliğini (scalability), esnekliğini (resilience) ve gizliliğini (privacy) arttırır. Merkeziyetsiz federe öğrenme konseptinin çeşitli zorlukları vardır: merkezi bir koordinatör olmadığı için, katılımcılar gizlilikten ödün vermeden eğitim güncellemelerini paylaşmak için işbirliği yapmalıdır; katılımcılar ayrılabileceği veya cevap dönemeyecekleri için sistem, bağlantı kopukluğunu kaldıracak şekilde tasarlanmalıdır. Sistem, eğitim sürecini daha da karmaşık hale getirebilen cihazlardaki ve veri dağıtımlarındaki heterojenliği kaldırabilmelidir. Bugüne kadar, bu faktörleri göz önünde bulunduran merkeziyetsiz federe öğrenme performansı ayrıntılı olarak analiz edilmemiştir. Bu çalışmada, farklı data boyutları, katılımcılar, toplayıcılar (aggregators), bellek/CPU değerleri ve farklı kurulumlara sahip ortamları içeren kullanım durumlarında InterPlanetary File System (IPFS) tabanlı merkeziyetsiz federe öğreneme mekanizmasını değerlendirmek için test senaryoları uyguluyoruz. Sonuçlarımız, (i) katılımcı sayısı arttıkça bağlantı kopukluklarının arttığını, (ii) katılımcılara eğitim için verilen sürenin artırılması, katılımcıların train operasyonunu zamanında bitirebildiğinden, kopmaları azalttığı ve (iii) her eğitmenin train etmesi için farklı boyutlarda datayı eğitmesi toplam doğruluk değerini arttırdığını göstermektedir.