Mitigating Domain Shift in Federated Learning via Intra- and Inter-Domain Prototypes
作者
- Haebom
カテゴリー
Empty
저자
Huy Q. Le, Ye Lin Tun, Yu Qiao, Minh N. H. Nguyen, Keon Oh Kim, Eui-Nam Huh, Choong Seon Hong
개요
Federated Learning (FL) 환경에서 각 클라이언트가 서로 다른 특징 분포를 가지는 이질적인 도메인 문제를 해결하기 위해, 본 논문은 Intra-domain과 Inter-domain 프로토타입을 모두 활용하는 새로운 Federated Prototype Learning 방법인 I$^2$PFL을 제안한다. I$^2$PFL은 MixUp 기반 증강 프로토타입을 활용한 특징 정렬을 통해 로컬 도메인 내 다양성을 포착하고 일반화를 향상시키며, Inter-domain 프로토타입에 대한 재가중 메커니즘을 도입하여 도메인 간 지식을 제공하고 도메인 편차를 줄인다. Digits, Office-10, PACS 데이터셋에 대한 실험을 통해 기존 방법 대비 우수한 성능을 입증했다.
시사점, 한계점
•
시사점:
◦
Federated Learning에서 이질적인 도메인 문제를 해결하기 위해 Intra-domain과 Inter-domain 프로토타입을 모두 고려하는 새로운 접근 방식을 제시.
◦
MixUp 기반 증강 프로토타입을 활용한 특징 정렬 및 재가중 메커니즘을 통해 일반화 성능 향상.
◦
다양한 데이터셋에 대한 실험을 통해 제안 방법의 우수성을 입증.
•
한계점:
◦
특정 데이터셋에 대한 성능 평가만 이루어졌으며, 다양한 실제 환경에서의 적용 가능성에 대한 추가 연구 필요.
◦
계산 복잡성 및 통신 비용에 대한 분석이 부족함.
◦
I$^2$PFL의 하이퍼파라미터 최적화에 대한 깊이 있는 분석이 필요함.
