Core Concepts
連邦学習の信頼性を高めるために、クライアントの選択と展開プロセスに信頼性の要素を統合する。
Abstract
本研究では、連邦学習(FL)のクライアント選択と展開プロセスに信頼性の要素を統合することを提案している。
信頼性の高いクライアントをオンデマンドで展開するための「Trusted-On-Demand-FL」アーキテクチャを導入する。
クライアントの行動と貢献度を継続的に監視し、クライアントごとの信頼値を生成する。
クライアントの初期信頼値の割り当てにはブートストラッピング手法を活用する。
クライアントの選択と展開を多目的最適化問題として定式化し、遺伝的アルゴリズムを用いて解決する。
提案手法は、収束までのラウンド数の削減、精度の向上、悪意のあるクライアントの特定に効果的であることが示された。
Stats
クライアントの正常な展開数は、展開された総数に対する割合で表される。
クライアントの2段階検証では、ローカル精度の異常値を検出するために修正Z-scoreを使用する。
クライアントの所属グループの大きな変動は、クライアントの信頼性に疑問を呼び起こす可能性がある。
クライアントから提供された情報と、オーケストレーターが受け取った情報の矛盾は、クライアントの信頼性を低下させる。
Quotes
"連邦学習の信頼性を高めるために、クライアントの選択と展開プロセスに信頼性の要素を統合する。"
"クライアントの行動と貢献度を継続的に監視し、クライアントごとの信頼値を生成する。"
"クライアントの初期信頼値の割り当てにはブートストラッピング手法を活用する。"