本論文では、連邦学習(FL)において、クライアントが複数のタスクを同時にトレーニングする「Multiple-Model Federated Learning (MMFL)」の設定を扱う。従来のMMFLアルゴリズムは単純な平均ベースのクライアント-タスク割り当てを行うが、タスクの難易度が異なる場合、一部のタスクの収束精度や収束時間が不公平になる可能性がある。
そこで本論文では以下の2つの課題に取り組む:
難易度を考慮したクライアント-タスク割り当てアルゴリズム「FedFairMMFL」を提案する。FedFairMMFLは、各タスクの現在の損失関数値に基づいて、クライアントをタスクに動的に割り当てる。これにより、各タスクの収束精度や収束時間の公平性を高めることができる。FedFairMMFLの収束性能を理論的に分析し、より難しいタスクの収束を優先的に加速することを示す。
クライアントの意欲を引き出す入札メカニズムを提案する。クライアントはタスクごとに異なる計算コストを持つため、一部のタスクへの参加を拒否する可能性がある。提案する入札メカニズムは、各タスクへの公平な参加率を実現し、かつクライアントの真の意欲を引き出すことができる。
最後に、複数のデータセットを用いた実験により、提案手法がベースラインと比べて各タスクの最小精度を向上させ、精度のばらつきを低減できることを示す。予算制約下では、提案の入札メカニズムがさらに最小精度を改善することも確認した。
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Marie Siew,H... om arxiv.org 04-23-2024
https://arxiv.org/pdf/2404.13841.pdfDiepere vragen