연합 학습에서 공정한 클라이언트 선정을 위한 서브모듈 최대화 접근법

전통적인 연합 학습 프레임워크에서는 훈련을 위한 클라이언트 선정이 일반적으로 매 반복마다 클라이언트의 하위 집합을 무작위로 샘플링하는 방식으로 이루어집니다. 그러나 이러한 무작위 선택은 종종 클라이언트 간의 성능 차이를 초래하여, 공정성에 대한 우려를 초래합니다. 특히 의료 또는 금융 기계 학습 작업과 같이 공정한 결과가 중요한 응용 분야에서 이러한 우려가 더욱 두드러집니다. 이러한 차이는 성능 중심의 클라이언트 샘플링 기법이 등장함에 따라 더욱 뚜렷해집니다. 본 논문에서는 무작위 클라이언트 선택의 한계를 극복하기 위해 설계된 두 가지 새로운 방법인 SUBTRUNC 및 UNIONFL을 소개합니다. 두 접근법 모두 서브모듈 함수 최대화를 활용하여 보다 균형 잡힌 모델을 달성합니다. 시설 위치 문제를 수정함으로써 무작위 선택과 연관된 공정성 문제를 완화하는 것을 목표로 합니다. SUBTRUNC는 클라이언트 손실 정보를 활용하여 솔루션을 다양화하고, UNIONFL은 역사적 클라이언트 선택 데이터를 바탕으로 최종 모델의 보다 공정한 성능을 보장합니다. 또한, 이러한 알고리즘은 합리적인 가정 하에서의 수렴에 대한 강력한 이론적 보장을 동반합니다. 다양한 이질적 시나리오에 걸친 광범위한 평가를 통해 이러한 방법의 효과를 입증하였으며, 클라이언트 불일치 지표로 측정된 공정성에서 상당한 개선을 나타내었습니다.