Serverloze gossip-training van LSTM-storingsdetectoren: een matched-protocolvergelijking met federated, lokale en gecentraliseerde learning op NASA C-MAPSS

arXiv:2609.35792v1 Aankondigingstype: nieuw. Samenvatting: Industrieel voorspellend onderhoud hangt steeds meer af van leren van apparatuur verspreid over locaties waarvan de sensordata niet zomaar kunnen worden samengevoegd. Federated averaging (FedAvg) lost dit op met een centrale aggregatieserver; gossip learning schrapt die server, maar het gedrag ervan voor recurrente faaldetectiemodellen is nog niet onder gecontroleerde omstandigheden gemeten. We vergelijken synchrone ring-gossip met FedAvg, geïsoleerde lokale training en een centraliz...