이 논문은 하이브리드 데이터 환경에서 효과적이고 효율적인 연합 트리 학습 알고리즘 HybridTree를 제안한다.
먼저, 저자들은 트리에서 일관된 분할 규칙(메타 규칙)이 존재한다는 것을 관찰했다. 이를 바탕으로 저자들은 트리 구조를 변형하여 마지막 레이어에서만 게스트 데이터의 특징을 사용할 수 있도록 하는 기술을 제안했다.
이후 HybridTree 알고리즘을 설계했다. HybridTree는 호스트가 먼저 부분 트리를 학습하고, 게스트들이 하위 레이어를 추가로 학습하는 레이어 단위 학습 전략을 사용한다. 이를 통해 게스트들의 메타 지식을 효과적으로 통합할 수 있다.
실험 결과, HybridTree는 기존 연합 학습 방법들에 비해 훨씬 더 효율적이면서도 중앙집중형 학습과 유사한 성능을 달성할 수 있음을 보여주었다. HybridTree는 기존 방법 대비 최대 8배 빠른 학습 속도를 보였다.
Naar een andere taal
vanuit de broninhoud
arxiv.org
Belangrijkste Inzichten Gedestilleerd Uit
by Qinbin Li,Ch... om arxiv.org 05-01-2024
https://arxiv.org/pdf/2310.11865.pdfDiepere vragen