활용 사례 연구
Beyond Non-IID: Learner--Client Distribution Mismatch in Federated Learning
ARarXiv
연합 학습(FL)은 클라이언트 데이터가 모델 목표 분포를 대표한다고 가정하지만, 실제로는 '학습자-클라이언트 분포 불일치' 문제가 발생합니다.
세 줄 요약
- 이에 연구진은 학습자가 가진 소규모 프록시 데이터를 이용해 각 클라이언트의 잠재적 기여도(영향력)를 추정하는 동적 선택 프레임워크를 제안했습니다.
- 이 방법은 데이터 이질성과 통계적 노이즈를 제어하며 가장 정보력이 높은 소스를 선별적으로 활용하여 모델 수렴 속도와 정확도를 높입니다.
- 특히 클라이언트 기여도가 라운드마다 변하는 환경에서 효과적이며, 다양한 데이터 분할 실험을 통해 성능 개선을 입증했습니다.
연합 학습(FL)은 클라이언트 데이터가 모델 목표 분포를 대표한다고 가정하지만, 실제로는 '학습자-클라이언트 분포 불일치' 문제가 발생합니다.