Глава 178: Asynchronous Federated Learning для трейдинга

Обзор

В предыдущих главах мы использовали синхронную агрегацию (FedAvg). Несмотря на надежность, у нее есть критический недостаток для трейдинга: система ждет самого медленного участника.

Asynchronous Federated Learning (AFL) позволяет центральному серверу обновлять глобальную модель сразу же, как только поступает обновление от любого клиента.

Проблема: Устаревание модели (Staleness)

В AFL клиент может начать обучение на версии $N$ глобальной модели, но к моменту, когда его обновление дойдет до сервера, тот уже перейдет к версии $N+10$. Это называется Staleness. Если мы будем учитывать устаревшие данные так же, как свежие, модель начнет расходиться.

Наше решение: Staleness-Aware Aggregation

Мы внедрим правило агрегации, которое автоматически снижает вес “устаревших” обновлений с помощью функции затухания:

• Свежие обновления: Оказывают большое влияние на глобальную модель.
• Устаревшие обновления: Имеют низкий вес, используются только для сохранения долгосрочных паттернов.

Структура проекта

178_asynchronous_fl_trading/
├── README.md           # Обзор на английском
├── README.ru.md        # Обзор на русском
├── docs/ru/theory.md   # Математические основы
├── python/
│   ├── model.py            # Базовая нейронная сеть
│   ├── afl_core.py         # Логика асинхронного сервера
│   └── train.py            # Симуляция AFL против Sync FL
└── rust/src/
    └── lib.rs              # Оптимизированный расчет коэффициентов