Core Concepts
연방 학습에서 클라이언트 드리프트 문제를 해결하기 위해 이중 정규화된 드리프트 보정 기법을 제안한다. 이를 통해 통신 복잡도를 개선하고 지역 계산 복잡도를 줄일 수 있다.
Abstract
이 논문은 연방 최적화 문제에서 클라이언트 드리프트 문제를 해결하기 위한 새로운 알고리즘을 제안한다.
DANE+: DANE 알고리즘을 일반화한 프레임워크로, 임의의 부정확한 지역 솔버와 임의의 제어 변량을 사용할 수 있다. DANE+는 일반 볼록 및 강볼록 함수에 대해 통신 복잡도를 개선할 수 있다.
FedRed: 이중 정규화된 드리프트 보정을 사용하는 새로운 프레임워크. FedRed는 DANE+와 동일한 통신 복잡도를 가지면서도 지역 계산 복잡도를 개선할 수 있다. 특히 GD를 지역 솔버로 사용할 경우, FedRed는 중앙집중형 GD보다 통신 라운드 수를 줄일 수 있다.
이론적 분석을 통해 DANE+와 FedRed가 기존 방법들에 비해 향상된 통신 및 계산 복잡도를 달성할 수 있음을 보였다.
실험 결과에서도 DANE+와 FedRed가 기존 방법들에 비해 빠른 수렴 속도와 적은 통신 라운드 수를 보였다.
Stats
중앙집중형 GD의 통신 복잡도는 L에 의존하지만, DANE+와 FedRed는 δA에 의존한다.
DANE+와 FedRed의 통신 복잡도는 L/δA배 더 빠르다.
FedRed-GD의 총 지역 계산 복잡도는 DANE+-GD와 동일한 수준이다.
Quotes
"연방 학습은 데이터를 공유하지 않고도 기계 학습 모델을 훈련할 수 있는 분산 최적화 패러다임이다."
"클라이언트 드리프트는 연방 최적화에서 주요 문제 중 하나로, FedAvg 등의 표준 방법에서 성능 저하와 통신 비용 증가를 초래할 수 있다."