連合学習における比例公平性【JST・京大機械翻訳】

Zhang Guojun; Malekmohammadi Saber; Chen Xi; Yu Yaoliang

プレプリント

J-GLOBAL ID：202202209766514856 整理番号：22P0284278

連合学習における比例公平性【JST・京大機械翻訳】

Proportional Fairness in Federated Learning

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 (4件)： , , ,
資料名：
発行年： 2022年02月03日プレプリントサーバーでの情報更新日： 2023年05月09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)

現実世界における連合学習(FL)システムのますます広い展開により,FLにおける公平性を確実にすること,すなわち,多数の多様なクライアントのそれぞれに対して,合理的に満足な性能を確保することは,重要である。本研究では,各クライアントの性能の相対的変化に基づく比例公平性(PF)と呼ばれるFLにおける新しい公平性概念を導入し,研究した。交渉ゲームとの接続から,著者らは,FLにおける比例的公正解を見つけるための新規で容易な実装アルゴリズムであるPropFairを提案し,その収束特性を研究する。視覚と言語データセットに関する広範な実験を通して,PropFairがPF解を近似的に見つけることができ,すべてのクライアントと最悪の10%クライアントの平均性能の間の良好なバランスを達成することを示した。著者らのコードは,ウルル{https://github.com/huawei noah/Federated Learning/tree/main/FairFL}で利用可能である。【JST・京大機械翻訳】

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

無線通信一般

前のページに戻る