Effizienzsteigerung im föderierten Lernen durch Low-Rank Adaptation

Federated Learning (FL) hat sich als vielversprechende Methode für das Training von Machine-Learning-Modellen in verteilten Umgebungen etabliert, in denen Daten auf mehreren Geräten (Clients) gespeichert sind und nicht zentralisiert werden können. Diese Technik bietet Vorteile wie Datenschutz und Skalierbarkeit, da die Daten die Geräte der Benutzer nicht verlassen müssen. Die zunehmende Verbreitung von großen, vortrainierten Modellen (z. B. Transformer-Modelle in der Sprachverarbeitung) stellt FL jedoch vor Herausforderungen. Diese Modelle sind oft ressourcenintensiv und erfordern umfangreiche Berechnungen und Kommunikation, was die Effizienz von FL-Systemen beeinträchtigen kann. Ein vielversprechender Ansatz zur Bewältigung dieser Herausforderungen ist die Low-Rank Adaptation (LoRA). LoRA ist eine Technik, die die Anzahl der trainierbaren Parameter in einem Modell reduziert, indem sie die Gewichtsaktualisierungen auf einen niedrigdimensionalen Unterraum beschränkt. Dies führt zu einer geringeren Kommunikationslast und schnelleren Trainingszeiten, ohne die Modellleistung signifikant zu beeinträchtigen. In jüngster Zeit wurde die Integration von LoRA in FL-Systeme untersucht, um die Effizienz des Modelltrainings zu verbessern. Eine neue Forschungsarbeit mit dem Titel "Selective Aggregation for Low-Rank Adaptation in Federated Learning" untersucht die Asymmetrie der gelernten LoRA-Matrizen in FL und schlägt einen neuen Ansatz namens "Federated Share-A Low-Rank Adaptation" (FedSA-LoRA) vor. Die Autoren der Arbeit stellen fest, dass die beiden LoRA-Matrizen, A und B, unterschiedliche Rollen beim Lernen von Modellanpassungen spielen. Die A-Matrix scheint allgemeine Informationen zu erfassen, die für alle Clients relevant sind, während die B-Matrix sich auf client-spezifische Informationen konzentriert. Basierend auf dieser Beobachtung schlagen sie vor, nur die A-Matrizen mit dem Server zu teilen und zu aggregieren, während die B-Matrizen lokal auf den Clients bleiben. Dieser Ansatz, FedSA-LoRA, reduziert die Kommunikationslast weiter und verbessert die Personalisierung der Modelle, da client-spezifische Informationen besser erhalten bleiben. Die Arbeit untersucht auch andere LoRA-Varianten, wie rsLoRA und VeRA, und stellt fest, dass die Asymmetrie der gelernten Matrizen auch in diesen Ansätzen vorhanden ist. Daher erweitern sie den FedSA-Ansatz auf diese LoRA-Varianten und schlagen FedSA-rsLoRA und FedSA-VeRA vor. Die experimentellen Ergebnisse der Arbeit zeigen, dass FedSA-LoRA und seine Varianten die Leistung von FL-Systemen mit LoRA in verschiedenen Aufgaben der Sprachverarbeitung, wie z. B. Textklassifizierung und Textgenerierung, verbessern. Die vorgeschlagene Methode erzielt eine bessere Genauigkeit und Konvergenzgeschwindigkeit im Vergleich zu herkömmlichen FL-Methoden mit LoRA. Die Arbeit "Selective Aggregation for Low-Rank Adaptation in Federated Learning" leistet einen wichtigen Beitrag zur Erforschung von LoRA in FL. Die Erkenntnisse über die Asymmetrie der gelernten Matrizen und der vorgeschlagene FedSA-Ansatz bieten eine neue Perspektive für die Entwicklung effizienter und effektiver FL-Systeme mit LoRA. Die Arbeit eröffnet auch neue Forschungsrichtungen, wie z. B. die Untersuchung der optimalen Rangverteilung für die LoRA-Matrizen in verschiedenen FL-Szenarien. **Bibliographie:** - Pengxin Guo, Shuang Zeng, Yanran Wang, Huijie Fan, Feifei Wang, Liangqiong Qu. "Selective Aggregation for Low-Rank Adaptation in Federated Learning". arXiv preprint arXiv:2410.01463 (2024). - Yuji Byun, Jaeho Lee. "Towards Federated Low-Rank Adaptation with Rank-Heterogeneous Communication". arXiv preprint arXiv:2406.17477 (2024). - Xinghao Wu, Xuefeng Liu, Jianwei Niu, Haolin Wang, Shaojie Tang, Guogang Zhu. "FedLoRA: When Personalized Federated Learning Meets Low-Rank Adaptation". ICLR 2024. - [https://arxiv.org/pdf/2406.17477](https://arxiv.org/pdf/2406.17477) - [https://arxiv.org/abs/2406.17477](https://arxiv.org/abs/2406.17477) - [https://www.sciencedirect.com/science/article/pii/S0167739X23003333](https://www.sciencedirect.com/science/article/pii/S0167739X23003333) - [https://openreview.net/forum?id=bZh06ptG9r](https://openreview.net/forum?id=bZh06ptG9r) - [https://hal.science/hal-04617632/document](https://hal.science/hal-04617632/document) - [https://ojs.aaai.org/index.php/AAAI/article/view/26023/25795](https://ojs.aaai.org/index.php/AAAI/article/view/26023/25795) - [https://dl.acm.org/doi/pdf/10.1145/3589335.3651933](https://dl.acm.org/doi/pdf/10.1145/3589335.3651933) - [https://www.researchgate.net/publication/383111066_Differentially_Private_Low-Rank_Adaptation_of_Large_Language_Model_Using_Federated_Learning](https://www.researchgate.net/publication/383111066_Differentially_Private_Low-Rank_Adaptation_of_Large_Language_Model_Using_Federated_Learning) - [https://www.researchgate.net/publication/381579512_FLoCoRA_Federated_learning_compression_with_low-rank_adaptation](https://www.researchgate.net/publication/381579512_FLoCoRA_Federated_learning_compression_with_low-rank_adaptation) - [https://aclanthology.org/2023.findings-acl.632.pdf](https://aclanthology.org/2023.findings-acl.632.pdf)