CoASFL to nowy framework asynchronicznego učenia federacyjnego, który rozwiązuje problem niespójności danych powstający gdy urządzenia brzegowe o różnych mocach obliczeniowych uczą się jednocześnie. W tradycyjnych podejściach asynchronicznych pojawiają się dwa główne problemy: nierówność pozioma między klientami (urządzeniami) oraz nierówność pionowa między klientami a serwerem centralnym. To prowadzi do zniekształconych reprezentacji, rozbieżności modelu i dryfu klienta.
Rozwiązanie CoASFL składa się z dwóch kluczowych mechanizmów. Pierwszy to dynamiczne łączenie aktywacji, które konstruuje bardziej spójne sekwencje aktywacji z heterogenicznych klientów, zmniejszając nierówność poziomą. Drugi to świadoma spójności agregacja modelu, która dynamicznie dostosowuje wagi agregacji w oparciu o częstotliwość uczestnictwa klientów i luki w postępie, ograniczając nierówność pionową. Mechanizmy pracują razem, aby potłumić propagację niespójności podczas asynchronicznego treningu.
Wyniki z testów na 80 urządzeniach brzegowych pokazują, że CoASFL konsekwentnie przewyższa istniejące metody uczenia federacyjnego. Framework osiąga przyspieszenie treningu od 1,61x do 3,74x w zależności od konfiguracji, jednocześnie poprawiając dokładność ostatecznego modelu o nawet 3 procent. To ma znaczące implikacje dla treningu dużych modeli głębokich na urządzeniach o ograniczonych zasobach, co jest krytyczne dla aplikacji edge computing i rozproszonego uczenia maszynowego.