Core Concepts
連邦学習の課題である顧客データの異質性に対処するため、FEDSELECTは、顧客ごとに最適な学習パラメータのサブネットワークを自動的に発見し、グローバルな知識共有とローカルな個別化のバランスを取る。
Abstract
本論文では、連邦学習(FL)の課題である顧客データの異質性に対処するため、FEDSELECTと呼ばれる新しい個別化連邦学習(PFL)アルゴリズムを提案している。
FEDSELECTは以下の特徴を持つ:
顧客ごとに最適な学習パラメータのサブネットワークを自動的に発見する。これは、パラメータの更新量の大きさに基づいて行われる。
サブネットワークのサイズを段階的に拡大していくことで、グローバルな知識共有とローカルな個別化のバランスを取る。
顧客間の類似性に応じて、顧客間でサブネットワークが重複することを示す。
実験では、CIFAR-10、CIFAR-10-C、Mini-ImageNet、OfficeHomeの各データセットにおいて、FEDSELECTが最先端の個別化連邦学習手法を上回る性能を示した。特に、特徴量シフトや標ラベルシフトなどの分布変化に対して頑健であることが確認された。
Stats
顧客データの異質性が大きい場合、標準的な連邦学習手法では性能が低下する。
個別化連邦学習は、顧客ごとに最適なモデルを学習することで、この課題に対処する。
Quotes
"連邦学習の課題である顧客データの異質性に対処するため、FEDSELECTは、顧客ごとに最適な学習パラメータのサブネットワークを自動的に発見し、グローバルな知識共有とローカルな個別化のバランスを取る。"