IP-FL: Incentivized and Personalized Federated Learning

要約

従来のフェデレーテッド ラーニング (FL) に対する既存のインセンティブ ソリューションは、単一のグローバル目標に対する個人の貢献に焦点を当てており、複数のクラスター レベル モデルを使用したクラスター化されたパーソナライゼーションのニュアンスや、クライアントに対するパーソナライズされたモデルの魅力などの非金銭的なインセンティブを無視しています。
この論文では、まずインセンティブとパーソナライゼーションを相互に関連する課題として扱い、パーソナライズされた学習を促進するインセンティブのメカニズムでそれらを解決することを提案します。
さらに、現在の方法はクライアントのクラスタリングをアグリゲータに依存していますが、プライバシーの制約によりクライアントの機密情報にアクセスできないため制限があり、不正確なクラスタリングが発生します。
これを克服するために、私たちはクライアントが直接関与することを提案し、クライアントがデータ配布とインセンティブ主導のフィードバックに基づいてクラスター メンバーシップの好みを示すことができるようにします。
私たちのアプローチは、積極的かつ一貫した参加につながる高品質のデータによって、自己認識型のクライアントに対するパーソナライズされたモデルの魅力を強化します。
私たちの評価では、データの異質性やパーソナライゼーションへの対応を含め、既存の FL モデルと比較して、テスト精度 (8 ～ 45%)、パーソナライズされたモデルの魅力 (3 ～ 38%)、および参加率 (31 ～ 100%) が大幅に向上していることが実証されています。

要約(オリジナル)

Existing incentive solutions for traditional Federated Learning (FL) focus on individual contributions to a single global objective, neglecting the nuances of clustered personalization with multiple cluster-level models and the non-monetary incentives such as personalized model appeal for clients. In this paper, we first propose to treat incentivization and personalization as interrelated challenges and solve them with an incentive mechanism that fosters personalized learning. Additionally, current methods depend on an aggregator for client clustering, which is limited by a lack of access to clients’ confidential information due to privacy constraints, leading to inaccurate clustering. To overcome this, we propose direct client involvement, allowing clients to indicate their cluster membership preferences based on data distribution and incentive-driven feedback. Our approach enhances the personalized model appeal for self-aware clients with high-quality data leading to their active and consistent participation. Our evaluation demonstrates significant improvements in test accuracy (8-45%), personalized model appeal (3-38%), and participation rates (31-100%) over existing FL models, including those addressing data heterogeneity and personalization.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google