ダイナミック・パラメータ・フュージョンとプロトタイプ・アラインメントに基づくパーソナライズド・フェデレーション・ラーニング

科学分野:

• 人工知能
• 機械学習
• 分散型システム

背景:

• 共同学習 (FL) は,原始データを共有することなく,協力的なモデルトレーニングを可能にします.
• 汎用化は,特に非独立で同一に分布した (非IID) 顧客全体のデータでは,依然として課題です.
• 既存のFL方法は,グローバルモデルの性能と個々のクライアントのニーズとのバランスをとるのに苦労します.

研究 の 目的:

• 新しいパーソナライズド・フェデレーション・ラーニング・フレームワークを提案します
• 非IIDデータの下でのFLの一般化制限に対処する.
• 統合された学習システムにおけるパーソナライゼーションとコラボレーションの両方を強化する.

主な方法:

• FedDFPAを開発し,ダイナミックパラメータ融合とプロトタイプアラインメントを統合しました.
• クラス別ダイナミックパラメータ融合メカニズムを実装し,グローバルおよびローカル分類パラメータを適応的に統合しました.
• 文義的な一貫性と機能の安定性を改善するために,グローバルと歴史的データを用いたプロトタイプアライメントメカニズムを導入しました.

主要な成果:

• FedDFPAは最先端のアルゴリズムと比較して平均テストの精度が著しく改善されたことを実証しました.
• 実際の異質な設定では3.59%の精度向上を達成しました.
• 病理学的に異質な設定では4. 71%の精度改善を達成しました.

結論:

• FedDFPAは,非IIDデータによる統合学習における一般化問題を効果的に緩和します.
• デュアルメカニズムで パーソナライゼーションとコラボレーションのバランスが取れます
• このフレームワークは,分散型環境でパーソナライズされた分類のための堅牢なソリューションを提供します.