Grunnleggende konsepter
長尾および非IIDデータに対処するためのDFL-FSフレームワークの提案とその効果的な性能向上を示す。
Sammendrag
1. 概要
フェデレーテッドラーニングは、データセキュリティとプライバシーを強化することを目的として設計されています。
本論文では、長尾および非IID分布で異質なデータを扱う際の課題に焦点を当てています。
DFL-FSフレームワークは、2つのステージから成り、特徴統計を使用して長尾分布と非IID問題に対処します。
2. クライアント選択戦略
MFSC(マスクされた特徴統計クラスタリング)は、適切なモデルの集約のためにクライアントを選択します。
特徴統計に基づくクライアント選択戦略は、ランダムサンプリングよりも高い精度で収束します。
3. クラシファイア再トレーニング
RS(再サンプリング)およびWC(重み付き共分散)戦略は、分類器の再トレーニングに効果的です。
提案された戦略は単純かつ効果的であり、特にtail classの識別性能が向上します。
4. 実験結果
CIFAR10-LTおよびCIFAR100-LTデータセットでDFL-FSメソッドが他手法よりも優れた精度と収束率を示すことが確認されました。
Statistikk
実験結果から:DFL-FS (WC)およびDFL-FS (RS)が他手法よりも優れた精度を示しました。
Sitater
"Our strategy has a high accuracy and convergence rate while protecting privacy."
"Both strategies are implemented in the DFL-FS framework."