Key points are not available for this paper at this time.
연합 학습(FL)은 로컬 장치들이 중앙 집계자와 모델 매개변수를 주기적으로만 공유하여 공동으로 예측 모델을 학습할 수 있도록 합니다. 그러나 FL은 각 로컬 장치의 데이터 분포 다양성으로 인해 발생하는 통계적 이질성으로 인해 불리할 수 있으며, 이는 서로 다른 수준의 독립적으로 동일하게 분포된(IID) 데이터를 생성합니다. 더욱이, 서로 다른 FL 매개변수 조합을 최적화하고 최적 집계를 선택할 때 이는 더 복잡할 수 있습니다. 본 논문에서는 세 개의 데이터셋에 걸쳐 다양한 수준의 통계적 이질성에 대한 다른 FL 학습 매개변수 및 집계기에 대한 경험적 분석을 제시합니다. 우리는 서로 다른 수준의 통계적 이질성을 시뮬레이션하기 위한 체계적인 데이터 파티션 전략과 IID 수준을 측정하는 메트릭을 제안합니다. 또한, 다양한 특성을 가진 데이터셋에 대해 최상의 FL 모델과 주요 매개변수를 경험적으로 확인합니다. 이를 기반으로, 우리는 다양한 IID 수준 및 다양한 데이터셋에서 모델 성능을 최적화하기 위한 FL 매개변수 및 집계자에 대한 권장 지침을 제시합니다.
Suleiman 외 (Mon,)는 이 질문을 연구했습니다.