본 논문은 각 클라이언트의 개인화된 모델 학습을 목표로 하는 개인화 연합 학습(PFL)에 대해 다룬다. 특히, 서버 측 집계 단계에서 파라미터 집계를 수행하여 개인화된 모델을 생성하는 개인화 집계 기반 접근 방식에 주목한다. 본 연구에서는 Attentive Graph HyperNetworks (AGHNs)를 사용하여 미세 조정된 협업 관계를 동적으로 포착하고 클라이언트별 개인화된 초기 모델을 생성하는 Personalized Federated Learning with Attentive Graph HyperNetworks (FedAGHN)을 제안한다. AGHNs는 협업 그래프를 구축하고 조정 가능한 주의 메커니즘을 도입하여 협업 가중치를 도출함으로써 개인화된 초기 모델을 얻을 수 있도록 한다. 실험을 통해 FedAGHN의 우수성을 입증하고, 협업 그래프의 효과를 시각화한다.
시사점, 한계점
•
시사점:
◦
클라이언트 간의 동적인 협업 관계를 효과적으로 포착하여 개인화된 모델 학습 성능을 향상시킨다.
◦
Attentive Graph HyperNetworks (AGHNs)를 활용하여 협업 관계를 모델링하고, 조정 가능한 주의 메커니즘을 통해 유연성을 확보한다.
