연합 학습(Federated Learning)은 데이터를 공유하지 않고 협력적으로 모델을 학습하는 기법이다. 기존 연합 학습 방법은 단일 전역 모델을 학습하지만, 개인화된 연합 학습(Personalized Federated Learning)은 각 클라이언트의 데이터 특성에 맞춰 개별 모델을 학습한다.
본 논문에서는 스태킹 기법을 활용한 새로운 개인화 방법을 제안한다. 각 클라이언트는 프라이버시를 보장하는 모델을 공유하고, 이를 활용하여 자신의 데이터에 맞춘 메타 모델을 학습한다. 이 방법은 모델 유형과 프라이버시 기법의 유연성을 제공하며, 수직 및 수평 데이터 분할 환경에서 적용 가능하다. 또한 각 클라이언트의 공헌도를 자연스럽게 평가할 수 있다.
실험 결과, 제안 방법은 다양한 데이터 비동질성 시나리오에서 효과적인 성능 향상을 보였다. 특히 메타 모델을 홀드아웃 데이터에 학습하는 것이 기존 풀링 데이터 방식보다 우수한 성능을 보였다. 또한 클라이언트의 데이터 양과 라벨 분포, 특성 집합 등에 따라 개인화의 이점이 달라짐을 확인하였다.
Til et andet sprog
fra kildeindhold
arxiv.org
Vigtigste indsigter udtrukket fra
by Emilio Cantu... kl. arxiv.org 04-18-2024
https://arxiv.org/pdf/2404.10957.pdfDybere Forespørgsler