효과적인 디바이스 인식 연합 학습을 위한 새로운 접근
본 논문은 연합 학습(Federated Learning)에서 클라이언트 기여도를 단일 기준(데이터 양)만이 아니라 다중 도메인·클라이언트 특성 기준으로 평가하고, 우선순위 기반 다중 기준 집계 연산자를 적용한다. 또한 온라인 탐색과 백트래킹을 통해 집계 연산자의 파라미터(우선순위)를 동적으로 조정한다. 실험 결과는 제안 방법이 기존 FedAvg 대비 모델 정확도와 수렴 속도에서 우수함을 보여준다.
저자: Vito Walter Anelli, Yashar Deldjoo, Tommaso Di Noia
연합 학습(Federated Learning, FL)은 데이터와 연산을 분산된 클라이언트에 그대로 두고, 중앙 서버가 로컬 모델 업데이트만을 집계함으로써 프라이버시와 통신 비용을 절감한다. 그러나 현재 가장 널리 사용되는 FedAvg 알고리즘은 각 클라이언트의 기여도를 단순히 로컬 데이터 샘플 수에 비례하는 가중치(p_k)로만 평가한다. 이는 데이터 양은 많지만 품질이 낮은 업데이트를 과대평가하거나, 데이터가 적지만 모델 다양성이 큰 클라이언트를 과소평가하는 문제를 야기한다.
본 논문은 이러한 한계를 극복하기 위해 세 가지 주요 기여를 제시한다. 첫째, 클라이언트와 도메인 특성을 반영한 다중 기준(C={C₁,…,C_m})을 정의하고, 각 기준에 대해 만족도 c_{k,i}∈
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기