이 논문은 자원 제약 환경에서 차등 프라이버시 보장 연합 학습 기법을 제안한다. 기존 연구에서는 고정된 지역 반복 횟수를 사용했지만, 이는 데이터 분포와 자원 제약에 따라 최적의 성능을 보장하지 못한다.
저자들은 이론적 수렴 분석을 통해 지역 반복 횟수와 수렴 성능 간의 관계를 도출하였다. 이를 바탕으로 "차등 프라이버시 보장 연합 학습을 위한 적응형 지역 반복 알고리즘(ALI-DPFL)"을 제안하였다. ALI-DPFL은 각 통신 라운드마다 최적의 지역 반복 횟수를 동적으로 계산하여 사용한다.
실험 결과, ALI-DPFL은 기존 기법들에 비해 자원 제약 환경에서 더 높은 정확도와 빠른 수렴 속도를 보였다. 또한 데이터 비동질성이 높은 환경에서도 강건한 성능을 나타냈다.
他の言語に翻訳
原文コンテンツから
arxiv.org
深掘り質問