Resumen: El aprendizaje federado plantea una serie de retos que van más allá de los escenarios tradicionales de aprendizaje distribuido. Además de ser precisos, los métodos federados deben escalar a redes de dispositivos potencialmente masivas y heterogéneas, y deben mostrar un comportamiento fiable, abordando preocupaciones pragmáticas relacionadas con cuestiones como la equidad, la solidez y la privacidad del usuario. En esta charla, hablaré de cómo la heterogeneidad se encuentra en el centro de las limitaciones del aprendizaje federado, no sólo afectando a la precisión de los modelos, sino también compitiendo con otras métricas críticas como la equidad, la robustez y la privacidad. Para abordar estas métricas, hablo de nuevos objetivos y algoritmos de aprendizaje federado escalables que tienen en cuenta y abordan rigurosamente las fuentes de heterogeneidad. Aunque nuestro trabajo se basa en la aplicación del aprendizaje federado, demuestro que muchas de las técnicas y compensaciones fundamentales van mucho más allá de este caso de uso.
Ponente: Tian Li es estudiante de quinto año de doctorado en el Departamento de Informática de la Universidad Carnegie Mellon y trabaja con Virginia Smith. Sus intereses de investigación se centran en la optimización distribuida, el aprendizaje automático a gran escala, el aprendizaje federado y los sistemas de datos intensivos. Antes de incorporarse a la CMU, se licenció en Informática y Economía por la Universidad de Pekín. Fue becaria de investigación en Google Research en 2022. Recibió el premio al mejor artículo en el ICLR Workshop on Security and Safety in Machine Learning Systems (2021), fue seleccionada como Rising Stars in Machine Learning por la UMD (2021), Rising Stars in Data Science por la UChicago (2022) y fue invitada a participar en el EECS Rising Stars Workshop (2022).
Grabación: Aprendizaje fiable en redes heterogéneas