Temel Kavramlar
分散学習環境において、データ異質性とアドバーサリアル攻撃に対するロバスト性を両立する最小最大最適化手法を提案する。
Özet
本論文では、分散学習環境における最小最大最適化問題を解決するためのDec-FedTrackアルゴリズムを提案している。
分散学習では、データ異質性とアドバーサリアル攻撃への耐性が重要な課題となる。
Dec-FedTrackは、局所更新とグラデーション追跡の2つのモジュールを組み合わせることで、これらの課題に対処する。
局所更新は、連邦学習における通信ボトルネックを緩和するために不可欠である。
グラデーション追跡は、データ異質性の下での収束性を保証するために重要である。
理論的な解析により、Dec-FedTrackが非凸-強凸最小最大最適化問題に対して、効率的な収束特性を持つことを示した。
数値実験の結果、Dec-FedTrackが基準アルゴリズムに比べて通信効率性とアドバーサリアル攻撃に対するロバスト性に優れていることを確認した。
İstatistikler
分散学習ネットワークのサイズnは、アルゴリズムの収束特性に影響を与える。
通信グラフの接続性を表すパラメータpは、クライアントの分散を抑えるために重要である。
アドバーサリアル攻撃の強さを表すパラメータδは、学習モデルの性能に大きな影響を及ぼす。
Alıntılar
"分散学習アプリケーションの成長に伴い、理論的な観点からそのような技術の欠点に取り組むことが重要である。"
"ミニマックス最適化は、ロバスト性を確保するためのアドバーサリアル学習を可能にする重要なツールである。"
"局所更新は連邦学習(FL)アプリケーションにおいて通信ボトルネックを緩和するために不可欠であり、グラデーション追跡は、データ異質性の下での収束性を証明するために不可欠である。"