Personalizing Federated Learning for Hierarchical Edge Networks with Non-IID Data
Created by
Haebom
저자
Seunghyun Lee, Omid Tavallaie, Shuaijun Chen, Kanchana Thilakarathna, Suranga Seneviratne, Adel Nadjaran Toosi, Albert Y. Zomaya
개요
본 논문은 계층적 연합 학습(HFL)에서 IoT 기기와 클라우드 서버 간 에지 네트워크를 활용하여 통신 효율을 높이는 동시에 데이터 프라이버시를 보장하는 방법을 제시합니다. 기존 HFL 연구는 에지 간 데이터 이질성(각 에지마다 레이블의 하위 집합이 다름)을 간과했는데, 본 논문은 이러한 계층적 비IID(non-IID) 특성을 고려하여 각 에지 모델을 개별적으로 최적화하는 개인화된 계층적 에지 기반 연합 학습(PHE-FL)을 제안합니다. PHE-FL은 각 에지의 고유한 클래스 분포에 맞게 각 에지 모델을 개인화하여 다양한 에지 수준의 비IID 데이터에서도 강력한 성능을 보장합니다. 실험 결과, PHE-FL은 기존 에지 네트워크 기반 연합 학습 방법보다 최대 83% 높은 정확도를 달성했으며, 정확도 변동이 감소하여 안정성이 향상됨을 보였습니다.
시사점, 한계점
•
시사점:
◦
계층적 비IID 데이터 환경에서 에지 네트워크를 활용한 연합 학습의 성능 향상 가능성을 제시합니다.
◦
각 에지의 고유한 데이터 분포에 맞춘 개인화된 모델 학습을 통해 강건한 성능을 확보할 수 있음을 보여줍니다.
◦
에지 서버에 테스트셋을 배치하여 개인화 접근 방식의 효과를 정확하게 평가하는 새로운 방법을 제시합니다.
