Архитектура многоагентных систем для федеративного обучения
Аннотация
Концепция федеративного обучения получила широкое распространение в работе с~данными, главным образом благодаря тому, что она позволяет проводить обучение по данным непосредственно на узлах, где они хранятся. В результате передача данных не требуется. После завершения обучения на каждом узле только обученная модель передается на центральный сервер для агрегации.
Многоагентные системы ведут себя аналогичным образом, поскольку агенты позволяют обучать модели машинного обучения на локальных устройствах, сохраняя при этом конфиденциальную информацию. Способность агентов взаимодействовать друг с другом позволяет обобщать (агрегировать) такие модели и повторно использовать их.
В этой статье представлена архитектура многоагентных систем для федеративного обучения. Она выделяет элементы, которые составляют платформу агентов и структуру платформы JADE. Описывает жизненный цикл всех агентов, используемых для выполнения полного цикла обучения в среде MAC\_FL. Анализируются и описываются конфигурации размещения агентов для каждой из предложенных архитектур многоагентных систем федеративного обучения: централизованной, децентрализованной и иерархической.
Литература
L. Sin Kit, L. Qinghua, Z. Liming, P. Hye-Young, and X. Xiwei, W. Chen, “Architectural Patterns for the Design of Federated Learning Systems,” in arXiv, Jun 2021, p. 1.
L. Sin Kit, L. Qinghua, P. Hye-Young, and Z. Liming, “FLRA: A Reference Architecture for Federated Learning Systems,” in arXiv, Jun 2021, p. 1.
Y. Gonzalez and I. Holod, “A formal model of multiagent systems for federated learning,” ˊ Software & Systems, vol. 35, no.1, pp. 37–44, 2022 (in Russian); doi: 10.15827/0236-235X.137.037-044
L. Sin Kit, L. Qinghua, W. Chen, P. Hye-Young, and Z. Liming, “A Systematic Literature Review on Federated Machine Learning: From A Software Engineering Perspective,” in arXiv, pp. 1–20, May 2021.
P. Kairouz, B. H. Mcmahan, and B. Avent, “Advances and Open Problems in Federated Learning,” in arXiv, vol. 14, no. 1, 2021. pp. 4–11.
N. Guha, A. Talwalkar, and V. Smith, “One-Shot Federated Learning,” in arXiv, Mar 2019, pp. 1–3.
H. H. Tzu-Ming, Q. Hang, and B. Matthew, “Measuring the Effects of Non-Identical Data Distribution for Federated Visual Classification,” in arXiv, Sep 2021, pp. 1–3.
J. L. Aguero, ¨ Design of ubiquitous virtual organizations using model-driven development, [PhD Thesis], Department of Information Systems and Computing, Polytechnic University of Valencia, Valencia, Spain, 2014.
FIPA, “Foundation for Intelligent Physical Agents,” in fipa.org, 03 Oct. 2001. [Online]. Available: http: //www.fipa.org/specs/fipa00023/XC00023H.html
G. Tsochev, R. Trifonov, and R. Yoshinov, “Multi-agent framework for intelligent networks,” in Proc. of 29th International Conference on Information Technologies (InfoTech-2015), 17–18 Sept 2015, Varna, Bulgaria, Sofia, 2015, pp. 109–116.
N. Cepero and M. Moreno, “Transformacion del Q-Learning para el Aprendizaje en Agentes JADE,” Lampsakos ˊ , no. 14, pp. 25–32, 2015.
F. J. Aguayo, Techniques for deployment of distributed architecture in rule-based expert systems using the multi-agent paradigm, [PhD Thesis], Department of Electrical and Systems Engineering and Automation, University of Leon, France, 2017. ˊ
Y. Gonzalez and I. Holod, “Analysis of Multiagent System for Data Analysis,” in ˊ Proc. of XXIII International Conference on Soft Computing and Measurements (SCM), Sept. 2020, St. Petersburg, Russia, St. Petersburg, Russia, 2020, pp. 218–221; doi: 10.1109/SCM50615.2020.9198765
Материал публикуется под лицензией:
