본 논문은 자연어 처리(NLP) 작업을 위한 새로운 의미론적 자원 효율적인 연합 학습 프레임워크인 SEMFED를 제안합니다. SEMFED는 의미론적 다양성과 자원 제약 간의 균형을 맞추는 의미론적 인식 클라이언트 선택 메커니즘, 장치 기능에 맞게 조정된 적응형 NLP 특정 모델 아키텍처, 그리고 대역폭 요구 사항을 크게 줄이는 통신 효율적인 의미론적 특징 압축 기술의 세 가지 핵심 혁신을 통합합니다. 다양한 NLP 분류 작업에 대한 실험 결과는 SEMFED가 통신 비용을 80.5% 줄이면서 모델 정확도를 98% 이상 유지하여 최첨단 FL 접근 방식을 능가함을 보여줍니다. SEMFED는 다양한 컴퓨팅 리소스, 네트워크 안정성 및 의미론적 데이터 분포를 가진 이종 클라이언트 환경을 효과적으로 관리하여 실제 연합 NLP 배포에 특히 적합합니다.
