Core Concepts
個人化レイヤーを用いることで、連邦学習の性能を向上させ、通信量を削減できる。
Abstract
本論文では、需要予測のための連邦学習の課題に取り組むため、個人化レイヤー(PL)を導入したPL-FLアルゴリズムを提案している。
PL-FLでは、モデルパラメータを共有レイヤーと個人化レイヤーに分割する。共有レイヤーのパラメータのみを通信し、個人化レイヤーはクライアントローカルで更新される。これにより、通信量を大幅に削減できる。また、データの異質性に起因する問題にも対処できる。
シミュレーション結果から、PL-FLは従来の連邦学習や完全ローカル学習よりも優れた性能を示すことが分かった。特に、MLPレイヤーを個人化し、Adamアルゴリズムを用いた場合に最良の結果が得られた。
Stats
需要予測の平均絶対スケール誤差(MASE)は1未満が望ましい。
カリフォルニアデータセットでは、どの手法を用いても1未満のMASEを達成できなかった。