Federated Learning solution for wirelessly connected IoT devices

Abstract

L'Aprenentatge Federat és una branca de l'aprenentatge automàtic que permet a diversos dispositius entrenar col·laborativament un model sense compartir dades sensibles per a la privacitat. Aquest informe descriu la implementació i avaluació d'un sistema d'Aprenentatge Federat (FL) aplicat a la detecció de paraules clau de parla (conjunt de dades Google Speech Commands v0.02). El sistema està construït utilitzant Python i TensorFlow, i utilitza el marc de treball Flower FL. Cada node FL està connectat a través d'una xarxa 5G, que proporciona una connectivitat d'alta velocitat per a l'intercanvi d'actualitzacions d'entrenament entre el servidor i els clients.

L'objectiu principal d'aquest treball és avaluar l'impacte de diferents paràmetres en el rendiment del sistema FL, com el nombre de clients, el nombre de rondes d'entrenament, la distribució de les dades i l'ús de GPU en els nodes dels clients. Per aconseguir-ho, es van realitzar una sèrie d'experiments i els resultats es van analitzar per extreure algunes consideracions importants sobre l'ajust de paràmetres en el sistema FL. Els resultats d'aquest treball demostren l'eficàcia d'una solució basada en FL en tasques de classificació de dades i quantifiquen l'impacte en el rendiment de diversos paràmetres.

Federated Learning is a machine learning approach that allows multiple devices to collaboratively train a model without sharing privacy-sensitive data. This report describes the implementation and evaluation of a Federated Learning (FL) system applied to speech keyword detection (Google Speech Commands v0.02 dataset). The system is built using Python and TensorFlow, and utilizes the Flower FL framework. Each FL node is connected through a 5G network, which provides a high-speed connectivity for the exchange of training updates between server and clients.

The main objective of this work is to evaluate the impact of different parameters on the performance of the FL system, such as the number of clients, the number of training round, the distribution of data and the use of GPU in client nodes. To accomplish this, a set of experiments were conducted, and the results were analyzed to extract some important considerations about parameter tunning in FL system. The results of this work demonstrate the effectiveness of a FL-based solution in data classification tasks and quantify the impact on performance of various parameters.