あなたのデータはどれくらい価値がありますか？フェデレーテッドラーニングにおけるクライアントリクルートの最適化

フェデレーテッドラーニングは、分散したクライアントがユーザープライバシーを保ちながら共有の機械学習モデルを訓練することを可能にします。このフレームワークでは、ユーザーのデバイス（つまり、クライアント）が自分のデータに対して学習アルゴリズムのローカルな反復処理を行います。これらの更新は定期的に集約されて共有モデルを形成します。したがって、クライアントはユーザーデータ、デバイス、ユーザーの参加意欲の束を表します。フェデレーテッドラーニングに参加することは、クライアントがリソースを投入し、自分のデータに関する情報を明らかにすることを必要とするため、ユーザーは訓練プロセスに貢献するための何らかの形の補償を求める可能性があります。より多くのユーザーをリクルートすることは一般的に精度の向上をもたらしますが、完了までの時間が遅くなり、コストが高くなります。私たちは、フェデレーテッドラーニングアルゴリズムのためにどのクライアントをリクルートするかを決定する際の性能のトレードオフを理論的に分析する最初の研究を提案します。私たちのフレームワークは、精度（訓練とテスト）および効率（完了時間とコスト）の両方の指標を考慮しています。このNP困難最適化問題に対する解決策を提供し、合成データと実世界データにおけるクライアントリクルートの価値を検証します。この研究の成果は、フェデレーテッドラーニングの実世界での展開の指針およびクライアントリクルート問題の初期調査として機能することができます。