Quorum-Bounded Asynchronous Federated Learning under Non-IID Data and Adversarial Clients: A Systems Study of Stale-Update Exclusion and Convergence
Este estudio demuestra que un diseño de aprendizaje federado asíncrono con límite de cuórum reduce eficazmente la latencia inducida por rezagados hasta en un 72% sin comprometer significativamente la precisión final, aunque revela que la heterogeneidad de los datos amplifica críticamente el daño de convergencia causado por clientes adversarios.