Daily Arxiv

世界中で発行される人工知能関連の論文をまとめるページです。
このページはGoogle Geminiを活用して要約し、非営利で運営しています。
論文の著作権は著者および関連機関にあり、共有する際は出典を明記してください。

Overcoming label shift with target-aware federated learning

Created by
  • Haebom

作者

Edvin Listo Zec, Adam Breitholtz, Fredrik D. Johansson

概要

本稿では、連合学習におけるクライアントとターゲットドメイン間のラベル分布の違い（ラベルシフト）によるパフォーマンス低下の問題を解決するために、FedPALSという新しいモデル集約方式を提案します。 FedPALSは、中央サーバー上のラベル分布情報を利用してターゲットドメインに合わせてモデル集計を調整することで、ラベルシフトが存在するさまざまなクライアントデータで堅牢な一般化パフォーマンスを実現します。連合確率的傾斜降下法の下で歪みのない更新を保証し、画像分類作業の広範な実験により、従来の方法よりも優れた性能を示すことを実証します。特に、クライアントのラベルが非常に不足している場合、既存の連合学習方法のパフォーマンスの低下が深刻に現れることを示し、FedPALSが提示するターゲットドメイン認識の集約の重要性を強調します。

Takeaways、Limitations

•
Takeaways：
◦
連合学習におけるラベルシフト問題の重大性を実証的に示す
◦
ラベルシフト問題を解決する効果的なモデル集約方式であるFedPALS提案
◦
中央サーバのラベル分布情報の活用によるターゲットドメイン適応性の向上
◦
クライアントデータのラベルスパスティに対する考慮の必要性を強調する。
◦
既存の連合学習法の限界を克服し,性能を改善する方案を提示する。
•
Limitations:
◦
提案された方法の一般化性能のさらなる検証が必要である。 （さまざまなデータセットとシナリオでの実験が必要）
◦
中央サーバにおけるラベル分布情報の正確性への依存性（エラーのあるラベル分布情報の影響に関する分析が必要）
◦
計算コストと通信オーバーヘッドの分析が必要です。
◦
実際の応用環境における適用性と実用性に関するさらなる研究の必要性
👍
Made with Slashpage