Core Concepts
フェデレーテッド学習において、クライアントの通信リンクの信頼性が不確実かつ時間変動する環境下でも、パラメータサーバーが各ラウンド終了時にグローバルモデルを配信するタイミングを遅らせることで、クライアント間の暗黙的なゴシップを活用し、収束性を確保できる。
Abstract
本論文では、フェデレーテッド学習における通信の信頼性が不確実かつ時間変動する環境下での学習アルゴリズムを提案している。
具体的には以下の通りである:
従来のFedAvgアルゴリズムでは、クライアントの通信リンクの信頼性が均一でない場合、学習が収束しない問題があることを示した。
これに対して、FedPBCアルゴリズムを提案した。FedPBCでは、パラメータサーバーがグローバルモデルの配信タイミングを各ラウンド終了時まで遅らせることで、クライアント間の暗黙的なゴシップを活用する。
理論的な解析により、FedPBCはグローバル目的関数の定常点に収束することを示した。この際、クライアントの通信リンクの信頼性が不確実かつ時間変動する場合でも、収束性が保証される。
実験的な評価では、様々な通信環境の不確実性を想定した上で、FedPBCがベースラインアルゴリズムに比べて優れた性能を示すことを確認した。
Stats
クライアントiの時刻tにおける通信リンクの信頼性は、確率pt
iで接続可能である。
pt
iは時間とともに変動し、その動的特性は未知である。