Core Concepts
UEFLは、不均一なデータシロにおけるモデルの不確実性を低減し、精度を向上させる革新的な手法である。
Abstract
Federated Learning(FL)は、分散されたデータセットを活用することを目的としており、異なるシロ間でのデータの異質性に直面しています。本研究では、UEFLフレームワークが提案され、この問題に取り組んでいます。UEFLは、不確実性評価を通じて未知の分布からのデータを識別し、コードブックに新しく初期化されたコードワードを割り当ててパフォーマンスを向上させます。また、K-meansを使用した効率的なコードワード初期化により、迅速な収束が実現されます。これにより、UEFLは新しいおよび未知のデータ分布に迅速に適応し、適応性を高めます。5つの主要なデータセットで行われた包括的な評価は、UEFLが効果的であり、精度が3%から22.1%向上し、不確実性が38.83%から96.24%低下していることを示しています。
Stats
UEFLは精度を3%から22.1%向上させました。
不確実性は38.83%から96.24%低下しました。
初期化されたコードワード数が増えるごとにPerplexityが増加しました。
GTSRBでは64個の初期化されたコードワードで競争力のあるパフォーマンスが得られました。
CIFAR10では新しいコードワードが割り当てられた後、急速なパフォーマンス向上が見られました。
Quotes
"Uncertainty-Based Extensible Codebook for Discrete Federated Learning in Heterogeneous Data Silos"
"Through experiments conducted on five datasets, our method has demonstrated its superiority."
"Our approach aims to simultaneously enhance accuracy and reduce uncertainty."