Federated learning from big data over networks

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

10 Sitaatiot (Scopus)

Abstrakti

This paper formulates and studies a novel algorithm for federated learning from large collections of local datasets. This algorithm capitalizes on an intrinsic network structure that relates the local datasets via an undirected “empirical” graph. We model such big data over networks using a networked linear regression model. Each local dataset has individual regression weights. The weights of close-knit sub-collections of local datasets are enforced to deviate only little. This lends naturally to a network Lasso problem which we solve using a primal-dual method. We obtain a distributed federated learning algorithm via a message passing implementation of this primal-dual method. We provide a detailed analysis of the statistical and computational properties of the resulting federated learning algorithm.

AlkuperäiskieliEnglanti
OtsikkoICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings
KustantajaIEEE
Sivut3055-3059
Sivumäärä5
Vuosikerta2021-June
ISBN (painettu)978-1-7281-7605-5
DOI - pysyväislinkit
TilaJulkaistu - 2021
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaIEEE International Conference on Acoustics, Speech, and Signal Processing - Virtua, Online, Toronto, Kanada
Kesto: 6 kesäk. 202111 kesäk. 2021

Julkaisusarja

NimiICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing - Proceedings
KustantajaIEEE
ISSN (painettu)1520-6149
ISSN (elektroninen)2379-190X

Conference

ConferenceIEEE International Conference on Acoustics, Speech, and Signal Processing
LyhennettäICASSP
Maa/AlueKanada
KaupunkiToronto
Ajanjakso06/06/202111/06/2021

Sormenjälki

Sukella tutkimusaiheisiin 'Federated learning from big data over networks'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä