pFedGPA: Diffusion-based Generative Parameter Aggregation for Personalized Federated Learning

要約

Federated Learning（FL）は、データがローカルのままであり、モデルパラメーターのみがクライアントとセントラルサーバーの間で共有されるモデルトレーニングに対する分散型アプローチを提供します。
フェデレーション平均（FedAVG）などの従来の方法は、通常、不均一なデータ分布で訓練されるこれらのパラメーターを直線的に集計し、パラメーター空間の複雑で高次元の性質を見落とす可能性があります。
これにより、集約モデルのパフォーマンスが低下する可能性があります。
パーソナライズされたFLアプローチは、不均一なデータの問題をある程度緩和することができますが、線形凝集の制限は未解決のままです。
この問題を軽減するために、拡散モデルの生成アプローチを調査し、パーソナライズされたFLの新しい生成パラメーター集約フレームワークを提案します\ texttt {pfedgpa}。
このフレームワークでは、サーバーに拡散モデルを展開して、多様なパラメーター分布を統合し、各クライアントのパーソナライズされたパラメーターのセットを効率的に生成するパラメーター反転法を提案します。
この反転法は、アップロードされたパラメーターを潜在コードに変換し、その後、最終的なパーソナライズされたパラメーターを作成するためにサンプリングを除去することで集約されます。
クライアントのモデルパラメーターが高容量拡散モデルを使用して特定のデータ分布に依存することにより、\ texttt {pfedgpa}は、個々のクライアントのパラメーターの複雑さからすべてのクライアントのモデルパラメーターの全体的な分布の複雑さを効果的に分離できます。
分布。
実験結果は、複数のデータセットで提案された方法の優れた性能を一貫して実証し、ベースラインアプローチを超えています。

要約(オリジナル)

Federated Learning (FL) offers a decentralized approach to model training, where data remains local and only model parameters are shared between the clients and the central server. Traditional methods, such as Federated Averaging (FedAvg), linearly aggregate these parameters which are usually trained on heterogeneous data distributions, potentially overlooking the complex, high-dimensional nature of the parameter space. This can result in degraded performance of the aggregated model. While personalized FL approaches can mitigate the heterogeneous data issue to some extent, the limitation of linear aggregation remains unresolved. To alleviate this issue, we investigate the generative approach of diffusion model and propose a novel generative parameter aggregation framework for personalized FL, \texttt{pFedGPA}. In this framework, we deploy a diffusion model on the server to integrate the diverse parameter distributions and propose a parameter inversion method to efficiently generate a set of personalized parameters for each client. This inversion method transforms the uploaded parameters into a latent code, which is then aggregated through denoising sampling to produce the final personalized parameters. By encoding the dependence of a client’s model parameters on the specific data distribution using the high-capacity diffusion model, \texttt{pFedGPA} can effectively decouple the complexity of the overall distribution of all clients’ model parameters from the complexity of each individual client’s parameter distribution. Our experimental results consistently demonstrate the superior performance of the proposed method across multiple datasets, surpassing baseline approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google