FedVAE: 非IIDプライベートデータを用いた通信効率的な連合学習

連合学習（FL）は、ローカルデータを交換せずに共同で共有されたグローバルモデルを訓練することで、プライバシーを保護するための有望なソリューションを提供します。一方で、二つの主要な課題に直面しています。第一に、高い通信コスト、第二に、不均衡または非独立同一分布（非IID）データによるモデルの品質の低下です。本稿では、遠隔患者モニタリングのための変分オートエンコーダ（VAE）に基づくFLフレームワークであるFedVAEを提案します。FedVAEは、二つの軽量VAEを含んでおり、一つは非IIDデータによって引き起こされる過剰な通信オーバーヘッドと遅い収束速度の問題を軽減するために、データを類似した分布を持つ低次元空間に射影するために使用され、もう一つは不均衡なデータ分布によるトレーニングバイアスを防ぐためにマイノリティクラスサンプルを生成します。一般的に、提案されたFedVAEはFLモデルの全体的なパフォーマンスを向上させつつ、通信帯域幅をわずかに消費することができます。実験結果は、FedVAEの曲線下面積（AUC）値が0.9937に達し、従来の中央集権モデル（0.9931）を上回ることを示しています。さらに、パーソナライズでグローバルモデルをファインチューニングすることで、平均AUCを0.9947に引き上げることができます。加えて、通常のFLと比較して、FedVAEはAUCを0.87%改善し、通信トラフィックを少なくとも95%削減します。