Core Concepts
ヘテロジニアスな連邦学習クライアントが非IIDなローカルデータ上で構造の異なる個別化されたモデルを訓練できるようにするため、グローバルな一般化された特徴と個別化された特徴を動的に混合することで、バッチレベルでのパーソナライゼーションを実現する。
Abstract
本論文は、モデルヘテロジニアス型の個別化された連邦学習(MHPFL)に関する研究である。MHPFL では、連邦学習クライアントが非IIDなローカルデータ上で構造の異なる個別化されたモデルを訓練できるようになる。
提案手法のpFedAFMは以下の3つの新しい設計を含む:
クライアントにはグローバルな小さな均一なフィーチャーエクストラクタと、ローカルの大きなヘテロジニアスなモデル(ヘテロジニアスなフィーチャーエクストラクタとプレディクションヘッダーから成る)が割り当てられる。これにより、クライアント間の知識融合が可能になる。
グローバルな均一なフィーチャーエクストラクタとローカルのヘテロジニアスなモデルを交互に訓練する反復的な訓練戦略を設計した。これにより、グローバルとローカルの知識交換が効果的に行われる。
トレーナブルな重み付けベクトルを設計し、2つのフィーチャーエクストラクタから抽出された特徴を動的に混合することで、バッチレベルのデータ異質性に適応する。
理論的な分析により、pFedAFMは時間の経過とともに収束することが証明された。2つのベンチマークデータセットでの実験では、pFedAFMが7つの最先端のMHPFL手法を大幅に上回る性能を示し、通信コストと計算コストが低いことも確認された。
Stats
提案手法pFedAFMは、最先端のMHPFL手法と比較して、CIFAR-10データセットで最大7.93%、CIFAR-100データセットで最大7.93%の精度向上を達成した。
pFedAFMは、同カテゴリの最良のベースラインと比較して、CIFAR-10データセットで最大22.47%、CIFAR-100データセットで最大24.39%の精度向上を達成した。
Quotes
"ヘテロジニアスな連邦学習クライアントが非IIDなローカルデータ上で構造の異なる個別化されたモデルを訓練できるようにするため、グローバルな一般化された特徴と個別化された特徴を動的に混合することで、バッチレベルでのパーソナライゼーションを実現する。"
"理論的な分析により、pFedAFMは時間の経過とともに収束することが証明された。"