Core Concepts
PERADA는 통신 및 계산 비용을 줄이면서도 개인화된 성능과 일반화 능력을 향상시키는 매개변수 효율적인 연합 학습 프레임워크이다.
Abstract
PERADA는 연합 학습에서 데이터 이질성 문제를 해결하기 위한 개인화된 연합 학습 프레임워크이다. 기존 개인화된 연합 학습 방법들은 높은 계산 및 통신 비용 또는 지역 데이터에 과적합되는 문제가 있었다.
PERADA는 이를 해결하기 위해 사전 학습된 모델과 소수의 추가 매개변수로 구성된 개인화 어댑터를 활용한다. 각 클라이언트는 개인화 어댑터와 지역 어댑터를 학습하고 지역 어댑터만 서버에 전송한다. 서버는 지역 어댑터들을 앙상블 지식 증류를 통해 통합하여 일반화된 글로벌 어댑터를 학습한다. 이 글로벌 어댑터는 다시 클라이언트에게 전송되어 개인화 어댑터 학습을 정규화하여 일반화 성능을 높인다.
이론적으로, PERADA의 일반화 경계와 비볼록 환경에서의 수렴 보장을 분석하였다. 실험적으로, PERADA는 기존 방법 대비 더 나은 개인화 성능과 일반화 성능을 보였으며, 매개변수 효율성도 우수하였다.
Stats
PERADA는 전체 모델 매개변수의 12.6%만 학습하면서도 더 나은 개인화 성능과 일반화 성능을 달성했다.
Quotes
"PERADA는 통신 및 계산 비용을 줄이면서도 개인화된 성능과 일반화 능력을 향상시키는 매개변수 효율적인 연합 학습 프레임워크이다."
"PERADA는 사전 학습된 모델과 소수의 추가 매개변수로 구성된 개인화 어댑터를 활용하여 개인화와 일반화를 달성한다."
"PERADA의 이론적 분석은 일반화 경계와 비볼록 환경에서의 수렴 보장을 제공한다."