層化クライアント選択による分散低減異種連合学習【JST・京大機械翻訳】

Shen Guangyuan; Gao Dehong; Yang Libin; Zhou Fang; Song Duanxiao; Lou Wei; Pan Shirui

プレプリント

J-GLOBAL ID：202202207577583780 整理番号：22P0274922

層化クライアント選択による分散低減異種連合学習【JST・京大機械翻訳】

Variance-Reduced Heterogeneous Federated Learning via Stratified Client Selection

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年01月15日プレプリントサーバーでの情報更新日： 2022年04月27日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

クライアント選択戦略は,Fedated Learning(FL)の最近の研究における通信効率問題を取り扱うために広く採用される。しかし,選択された部分集合の更新の大きな分散のために,限られたサンプリング比による事前選択アプローチは,不均一FLにおける収束と精度に関してよく実行できない。この問題に取り組むために,本論文では,より良い収束とより高い精度の追跡のための分散を減らすために,新しい層状クライアント選択方式を提案した。特に,不均一性の影響を緩和するために,著者らは,各地層におけるより良い選択のための近似的均一地層を導出するために,クライアントの局所的データ分布に基づく成層を開発した。限られたサンプリング比シナリオに関して,著者らは次に,さらなる分散減少の有望性によって,地層の変動性の多様性を考慮することによって,最適化したサンプルサイズ配分方式を提示した。理論的に,著者らは,不均一設定の下で,分散に関して異なる選択方式の間の明示的関係を詳述して,著者らは著者らの選択方式の有効性を実証した。実験結果は,著者らのアプローチが最先端の方法と比較してより良い性能を可能にするだけでなく,一般的なFLアルゴリズムと互換性があることを確認した。【JST・京大機械翻訳】

, , , , , , , , ,
, , , 【Automatic Indexing@JST】

計算機網

, , ,

前のページに戻る