FedBWO: Enhancing Communication Efficiency in Federated Learning
Created by
- Haebom
Category
Empty
저자
Vahideh Hayyolalam, Oznur Ozkasap
개요
본 논문은 연합 학습(FL)에서 제한된 통신 용량을 가진 자원 제약 장치의 문제점을 해결하기 위해, 클라이언트가 로컬 모델 가중치 대신 성능 점수만 전송하는 새로운 연합 학습 알고리즘인 FedBWO를 제안합니다. FedBWO는 BWO 알고리즘을 활용하여 로컬 모델 업데이트를 개선하며, 실험 결과 FedAvg 대비 평균 21%, FedGWO 대비 12% 향상된 글로벌 모델 정확도와 훨씬 감소된 통신 비용을 보여줍니다. 이는 통신량 감소를 통해 자원 제약 환경에서의 연합 학습 성능을 크게 향상시킨다는 것을 의미합니다.
시사점, 한계점
•
시사점:
◦
연합 학습에서 통신 오버헤드 감소를 위한 효과적인 전략 제시
◦
제한된 자원을 가진 클라이언트 환경에서 연합 학습 성능 향상 가능성 제시
◦
BWO 알고리즘의 연합 학습 적용을 통한 성능 개선 가능성 확인
◦
통신 효율성 증대를 통해 더 많은 클라이언트 참여 가능성 제시
•
한계점:
◦
제시된 실험 환경의 특수성으로 인한 일반화 가능성에 대한 추가 검증 필요
◦
다양한 데이터셋 및 모델에 대한 성능 평가가 더 필요
◦
BWO 알고리즘의 매개변수 최적화에 대한 추가 연구 필요
◦
실제 환경에서의 지연 및 오류에 대한 내성 평가 필요
