GPFL: A Gradient Projection-Based Client Selection Framework for Efficient Federated Learning

要約

フェデレーション ラーニング クライアントの選択は、モデルの精度と通信効率のバランスをとりながら参加者のクライアントを決定するために重要です。
既存の方法には、データの異質性、計算負荷、独立したクライアントの処理の処理に限界があります。
これらの課題に対処するために、ローカルとグローバルの降下方向を比較することでクライアントの価値を測定する GPFL を提案します。
また、パフォーマンスを向上させるために Exploit-Explore メカニズムも採用しています。
FEMINST および CIFAR-10 データセットの実験結果は、GPFL が非 IID シナリオでベースラインを上回り、FEMINST テスト精度で 9\% 以上の向上を達成したことを示しています。
さらに、GPFL は、フェデレーテッド ラーニングにおける事前選択とパラメーターの再利用により、計算時間が短縮されます。

要約(オリジナル)

Federated learning client selection is crucial for determining participant clients while balancing model accuracy and communication efficiency. Existing methods have limitations in handling data heterogeneity, computational burdens, and independent client treatment. To address these challenges, we propose GPFL, which measures client value by comparing local and global descent directions. We also employ an Exploit-Explore mechanism to enhance performance. Experimental results on FEMINST and CIFAR-10 datasets demonstrate that GPFL outperforms baselines in Non-IID scenarios, achieving over 9\% improvement in FEMINST test accuracy. Moreover, GPFL exhibits shorter computation times through pre-selection and parameter reuse in federated learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google