Core Concepts
본 연구는 시공간 이질성을 효과적으로 모델링하기 위해 의미 유사성에 기반한 동적 음의 쌍 정렬 기법과 클라이언트 맞춤형 전역 프로토타입 생성 기법을 제안한다.
Abstract
본 연구는 기존 연합 학습 방법들이 내재된 시공간 이질성을 포착하지 못한다는 문제점을 해결하기 위해 개인화된 연합 학습(PFL) 방법을 제안한다.
시간적 관점에서, 동적 음의 쌍 필터링 모듈을 도입하여 시간적 표현의 이질성을 효과적으로 모델링한다.
공간적 관점에서, 클라이언트 수준의 의미 표현인 프로토타입을 통신 수단으로 활용하고, 클라이언트 맞춤형 전역 프로토타입 생성 기법을 제안한다.
이를 통해 지역 모델의 시공간 이질성을 효과적으로 증진시킬 수 있다.
실험 결과, 제안 방법이 기존 방법 대비 예측 성능을 향상시키고 통신 비용을 약 94% 감소시킬 수 있음을 보여준다.
Stats
다양한 통신사업자가 배치한 기지국들의 트래픽 데이터는 공간적으로 이질적인 분포를 가진다.
동일 기지국에서도 아침과 저녁 시간대의 트래픽 패턴이 다르게 나타나, 시간적으로 이질적이다.
Quotes
"기존 연합 학습 방법들은 내재된 시공간 이질성을 포착하지 못한다."
"시간적 관점에서, 동적 음의 쌍 필터링 모듈을 도입하여 시간적 표현의 이질성을 효과적으로 모델링한다."
"공간적 관점에서, 클라이언트 맞춤형 전역 프로토타입 생성 기법을 제안한다."