가장 관련성이 높은 클라이언트를 활용하여 개인 맞춤형 연합 학습을 개선하는 FedReMa
클래스 불균형 문제를 해결하기 위해 학습 과정 전반에 걸쳐 서로 다른 클래스에 대한 다양한 클라이언트의 전문 지식을 활용하는 새로운 개인 맞춤형 연합 학습 알고리즘인 FedReMa를 제안한다.
개인 맞춤형 연합 학습: 적응형 특징 집계 및 지식 전이 활용
이 기사는 Non-IID 데이터에서 개인 맞춤형 모델의 성능을 향상시키기 위해 적응형 특징 집계 및 지식 전이를 활용하는 새로운 개인 맞춤형 연합 학습 방법인 FedAFK를 제안합니다.
비동기식 모델 이기종 연합 학습을 위한 피어 적응형 앙상블 학습, FedPAE: 성능 향상 및 통계적 이질성에 대한 견고성 확보
FedPAE는 모델 이기종 및 비동기 학습을 지원하는 완전히 분산된 개인 맞춤형 연합 학습 알고리즘으로, 피어 투 피어 모델 공유 메커니즘과 앙상블 선택을 통해 로컬 및 글로벌 정보 간의 균형을 효과적으로 조정하여 기존 방식보다 우수한 성능을 달성하고 통계적 이질성에 대한 견고성을 제공합니다.
주관적 논리를 통한 신뢰할 수 있는 개인 맞춤형 연합 학습 프레임워크, TPFL
본 논문에서는 데이터 프라이버시를 보존하면서 개인 맞춤형 모델 학습을 가능하게 하는 새로운 연합 학습 프레임워크인 TPFL을 제안하며, 주관적 논리를 활용하여 불확실성을 정량화하고 악의적인 공격에 대한 견고성을 향상시켜 신뢰할 수 있는 연합 학습 시스템 구축을 목표로 합니다.
통신량은 줄이고 유연성은 높인 개인 맞춤형 연합 학습: FedLog
FedLog는 기존 연합 학습 모델 파라미터 공유 방식의 단점을 보완하기 위해, 충분한 데이터 요약 정보를 공유하고 베이지안 추론을 활용하여 통신 오버헤드를 줄이고 유연성을 높인 개인 맞춤형 연합 학습 전략입니다.
연합 학습에서 가산 및 저랭크 분해를 통한 일반 및 개인화된 지식의 분리
FedDecomp는 모델 파라미터를 공유된 부분과 개인화된 부분으로 분해하여 클라이언트 간의 협업을 개선하고 데이터 이질성의 영향을 완화하여 개인 맞춤형 연합 학습을 향상시킵니다.
개인 맞춤형 연합 학습을 위한 데이터 이질성 평가 접근 방식 벤치마킹
본 논문에서는 개인 맞춤형 연합 학습 (PFL) 에서 데이터 이질성을 측정하는 다양한 접근 방식을 비교 분석하고, 특정 환경에서 어떤 접근 방식이 유리한지에 대한 통찰력을 제공합니다.
영향력 기반의 개인 맞춤형 연합 학습
이 기사는 데이터 이질성이 존재하는 연합 학습 환경에서 클라이언트 간의 영향력을 측정하여 개인 맞춤형 모델 학습을 가능하게 하는 FedC2I 프레임워크를 제안합니다.
© 2024 by Linnk AI