計算遅延と非IIDデータシナリオに対処するための個別化された連合学習

連合学習（FL）は、データプライバシーを強化するのに効果的であるため、広く使用されています。しかし、FLのトレーニングプロセスには、多くの問題があり、データが通常異種性であり、参加者のデバイスの計算能力が異なるため、トレーニングモデルのパフォーマンスが低下したり、モデルの収束が遅すぎたりします。ここでは、参加者の限られた計算リソースによるトレーニングプロセスの非効率性を防ぐために、モデルの算術予測を適用した最適化されたFLモデルパラダイムを提案します。参加者選択の提案された式は、事後確率と相関係数に基づいており、データノイズを削減し、中央モデルの集約の効果を高めることが検証されています。さらに、高品質の参加者モデルは、事後確率に基づき、相関係数と組み合わされて選択され、サーバーモデルができるだけ多くのパフォーマンスの良い参加者モデルを集約できる一方で、過剰なデータノイズを持つ参加者の影響を回避します。集約ステップでは、モデルの損失値と参加者のトレーニング遅延が参加者デバイスの重み付け要因として使用され、FLの収束が加速され、モデルのパフォーマンスが向上します。提案した方法では、データの異種性と非IIDが十分に考慮されています。最後に、これらの結果は広範な実験によって検証されており、特に感情コンピューティングにおいて非IIDデータの存在下での優れたパフォーマンスを示しています。以前の研究と比較して、トレーニングの遅延を4秒削減し、モデルの精度は平均で10％向上しています。