Core Concepts
FedSIは、クライアント固有のサブネットワーク推論メカニズムを導入することで、効率的な推論と最大限の系統的不確実性の保持を実現する新しい連邦ベイズ深層学習フレームワークである。
Abstract
FedSIは、連邦学習(FL)の課題である効率的な系統的不確実性定量化に取り組む新しいベイズ深層学習ベースの個別化連邦学習(PFL)フレームワークである。FedSIは、ベイズ手法を活用してサブネットワーク推論メカニズムを実装し、分散クライアントごとに分散パラメータの分散の大きい部分のみを確率分布として推論し、残りを決定論的に扱うことで、効率的な推論と最大限の不確実性の保持を実現する。
具体的には、FedSIは以下の手順で動作する:
クライアントごとに表現層のパラメータのMAP推定を行う
表現層パラメータの分散の大きい部分をサブネットワークとして選択し、その部分のみ完全共分散ガウス事後分布を推論する
決定層のパラメータは固定のままとする
クライアントは更新された表現層パラメータの分布をサーバに送信し、サーバはそれらを平均化して共通の表現層パラメータの分布を更新する
このようなクライアント固有のサブネットワーク推論アプローチにより、FedSIは効率的な推論と最大限の不確実性の保持を両立できる。また、決定層の個別化と表現層の共有化により、データ分布の異質性にも対応できる。
Stats
表現層パラメータの分散の大きい部分をサブネットワークとして選択することで、パラメータ数を大幅に削減できる
完全共分散ガウス事後分布を推論することで、パラメータ間の相関を考慮できる
Quotes
"FedSIは、クライアント固有のサブネットワーク推論メカニズムを導入することで、効率的な推論と最大限の系統的不確実性の保持を実現する新しい連邦ベイズ深層学習フレームワークである。"
"FedSIは、表現層パラメータの分散の大きい部分のみを確率分布として推論し、残りを決定論的に扱うことで、効率的な推論と最大限の不確実性の保持を実現する。"