本論文では、地理的に分散したクライアントが協調して大域モデルを学習する連邦学習において、クライアントのデータ分布の異質性(Non-IID)によるパラメータのずれを緩和し、高速な収束を実現するための新しいアプローチを提案している。
具体的には以下の3つの主要な貢献がある:
エントロピーを新しい指標として活用し、クライアントのローカルパラメータの多様性を定量化することで、適応型の学習率設計を行う「FedEnt」アルゴリズムを提案した。
クライアント間の通信が制限される中で、平均場理論を用いて他クライアントのローカル情報を推定し、各クライアントの最適な学習率を導出する手法を示した。平均場項の存在性を理論的に証明し、その計算アルゴリズムを提案した。
FedEntの収束性を理論的に解析し、収束上限と収束速度を明らかにした。実験結果では、Non-IIDデータ環境下でFedEntが既存手法に比べて優れた性能を示すことを確認した。
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Shensheng Zh... at arxiv.org 04-15-2024
https://arxiv.org/pdf/2303.14966.pdfDeeper Inquiries