基盤モデルを利用した合成データ支援型連合学習

データ分布が非独立同分布（Non-IID）である連合学習（FL）参加者の異種シナリオでは、FLはデータの異質性というよく知られた問題に悩まされます。これにより、FLのパフォーマンスは著しく低下し、グローバルモデルの収束が困難になります。この問題を解決するために、私たちは基盤モデルを使用した差分プライベート合成データ支援型連合学習（DPSDA-FL）を提案します。これは、クライアント側に存在するローカルデータの均質化を助ける新しいデータ拡張戦略です。DPSDA-FLは、基盤モデルから生成された差分プライベート合成データを活用することで、ローカルモデルのトレーニングを改善します。私たちは、ベンチマーク画像データセットCIFAR-10を評価することで、我々のアプローチの有効性を示します。実験結果は、非IIDの問題を持つFLにおいて、DPSDA-FLがグローバルモデルのクラス再現率と分類精度をそれぞれ最大26％および9％向上させることができることを示しています。