Keskeiset käsitteet
제한된 리소스를 가진 디바이스에서 데이터 선택과 모델 분할 기반 학습을 통해 연합 학습의 효율성을 향상시킬 수 있다.
Tiivistelmä
이 논문은 제한된 메모리, 계산 능력, 연결성을 가진 다중 디바이스 환경에서 연합 학습의 효율성을 높이는 방법을 제안한다.
- 모델을 인코더와 분류기로 분할하여, 인코더는 리소스가 풍부한 디바이스(AP)에서 학습하고 분류기는 제한된 디바이스(UCD)에서 학습한다.
- UCD에서 데이터 선택 기법을 사용하여 중요한 데이터만 AP로 전송하고, 나머지는 UCD에서 분류기 학습에 사용한다.
- 이를 통해 계산 및 통신 비용을 줄이고 모델 정확도를 높일 수 있다.
- 다양한 벤치마크 데이터셋과 모델 아키텍처에 대한 실험 결과, Centaur 프레임워크가 기존 방식 대비 약 19% 높은 정확도와 58% 낮은 지연 시간을 달성했다.
- 데이터 불균형, 클라이언트 참여 이질성, 이동성 등의 상황에서도 Centaur의 효과가 입증되었다.
Tilastot
제안된 Centaur 프레임워크는 기존 방식 대비 약 19% 높은 정확도와 58% 낮은 지연 시간을 달성했다.
Centaur는 데이터 불균형, 클라이언트 참여 이질성, 이동성 등의 상황에서도 효과적이었다.
Lainaukset
"제한된 메모리, 계산 능력, 연결성을 가진 다중 디바이스 환경에서 연합 학습의 효율성을 높이는 방법을 제안한다."
"모델을 인코더와 분류기로 분할하여, 인코더는 리소스가 풍부한 디바이스(AP)에서 학습하고 분류기는 제한된 디바이스(UCD)에서 학습한다."
"UCD에서 데이터 선택 기법을 사용하여 중요한 데이터만 AP로 전송하고, 나머지는 UCD에서 분류기 학습에 사용한다."