Core Concepts
FedCRL은 레이블 분포 편향과 데이터 부족으로 인한 레이블 이질성을 해결하기 위해 대조적 표현 학습(CRL)을 활용한 개인화 연합학습 알고리즘을 제안한다. FedCRL은 클라이언트 간 공유 표현에 CRL을 적용하여 유사한 표현은 가깝게, 다른 표현은 멀리 배치함으로써 클라이언트의 지식 습득을 촉진한다. 또한 각 클라이언트의 대조 손실을 기반으로 한 지역 적응 집계 메커니즘을 통해 데이터 부족 문제를 해결한다.
Abstract
FedCRL은 레이블 이질성 문제를 해결하기 위해 개발된 개인화 연합학습 알고리즘이다. 주요 내용은 다음과 같다:
레이블 분포 편향과 데이터 부족으로 인한 레이블 이질성 문제를 다룸
클라이언트가 모델 파라미터와 평균 지역 표현을 서버에 업로드하고, 서버는 이를 전역적으로 집계
지역 표현과 전역 표현 간 대조적 표현 학습(CRL)을 통해 유사한 표현은 가깝게, 다른 표현은 멀리 배치하여 지식 전달
각 클라이언트의 대조 손실을 기반으로 한 지역 적응 집계 메커니즘을 통해 데이터 부족 문제 해결
실험 결과, FedCRL이 다양한 레이블 이질성 수준에서 기존 방법 대비 우수한 성능 달성
Stats
레이블 분포 편향이 심할수록 FedCRL의 성능 향상 폭이 더 크다.
FedCRL은 레이블 클래스 수가 많은 데이터셋에서 더 큰 성능 향상을 보인다.
FedCRL은 클라이언트 수가 100개로 늘어나도 6% 미만의 성능 저하만 보여 우수한 확장성을 보인다.
Quotes
"FedCRL은 레이블 분포 편향과 데이터 부족으로 인한 레이블 이질성을 해결하기 위해 대조적 표현 학습(CRL)을 활용한 개인화 연합학습 알고리즘을 제안한다."
"FedCRL은 클라이언트 간 공유 표현에 CRL을 적용하여 유사한 표현은 가깝게, 다른 표현은 멀리 배치함으로써 클라이언트의 지식 습득을 촉진한다."
"FedCRL은 각 클라이언트의 대조 손실을 기반으로 한 지역 적응 집계 메커니즘을 통해 데이터 부족 문제를 해결한다."