이 논문은 개인화된 연합 학습(PersFL)을 위한 새로운 방법을 제안한다. PersFL은 각 데이터 생성기에 대해 개별적인 맞춤형 모델을 학습하는 것을 목표로 한다. 그러나 각 데이터 생성기가 제공하는 로컬 데이터셋이 작은 경우, 고차원 모델을 효과적으로 학습하기 어려울 수 있다.
이 논문에서는 유사한 데이터 생성기를 순차적으로 식별하여 로컬 데이터셋을 통합하는 방법을 제안한다. 이 방법은 능동 샘플링 방식과 유사하지만, 원시 데이터를 공유하지 않고도 데이터 생성기의 관련성을 평가할 수 있다. 구체적으로, 데이터 생성기의 로컬 데이터셋을 사용하여 수행한 경사 하강 업데이트의 효과를 평가한다. 이를 통해 개인화된 모델 학습에 유용한 데이터 생성기를 식별할 수 있다.
이 논문은 또한 매개변수화된 모델뿐만 아니라 비매개변수 모델에도 적용할 수 있는 일반화된 방법을 제안한다. 이 방법은 경사 하강 업데이트 대신 정규화된 재학습 단계를 사용한다.
إلى لغة أخرى
من محتوى المصدر
arxiv.org
الرؤى الأساسية المستخلصة من
by Alexander Ju... في arxiv.org 09-10-2024
https://arxiv.org/pdf/2409.02064.pdfاستفسارات أعمق