論文の概要: Fast Heterogeneous Federated Learning with Hybrid Client Selection
- arxiv url: http://arxiv.org/abs/2208.05135v1
- Date: Wed, 10 Aug 2022 04:10:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-11 12:29:30.872860
- Title: Fast Heterogeneous Federated Learning with Hybrid Client Selection
- Title（参考訳）: ハイブリッドクライアント選択による高速不均一フェデレーション学習
- Authors: Guangyuan Shen, Dehong Gao, DuanXiao Song, libin yang, Xukai Zhou,
Shirui Pan, Wei Lou, Fang Zhou
- Abstract要約: 本稿では,分散還元による収束を加速するクラスタリングに基づく新しいクライアント選択方式を提案する。
また、分散低減により、提案手法のより厳密な収束保証も提示する。
- 参考スコア（独自算出の注目度）: 29.902439962022868
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Client selection schemes are widely adopted to handle the
communication-efficient problems in recent studies of Federated Learning (FL).
However, the large variance of the model updates aggregated from the
randomly-selected unrepresentative subsets directly slows the FL convergence.
We present a novel clustering-based client selection scheme to accelerate the
FL convergence by variance reduction. Simple yet effective schemes are designed
to improve the clustering effect and control the effect fluctuation, therefore,
generating the client subset with certain representativeness of sampling.
Theoretically, we demonstrate the improvement of the proposed scheme in
variance reduction. We also present the tighter convergence guarantee of the
proposed method thanks to the variance reduction. Experimental results confirm
the exceed efficiency of our scheme compared to alternatives.
- Abstract（参考訳）: 近年のフェデレートラーニング(FL)におけるコミュニケーション効率の問題に対処するために,クライアント選択方式が広く採用されている。
しかし、ランダムに選択された非表現部分集合から集約されたモデル更新の大きなばらつきは、FL収束を直接遅くする。
本稿では,分散削減によるfl収束を加速するクラスタリングに基づく新しいクライアント選択方式を提案する。
単純な効果的なスキームはクラスタリング効果を改善し、効果変動を制御するために設計されており、サンプリングの特定の代表性を持つクライアントサブセットを生成する。
理論的には、分散還元における提案手法の改善を示す。
また,分散低減により,提案手法のより厳密な収束保証を提案する。
実験の結果,提案手法の効率は代替案に比べて高いことがわかった。
関連論文リスト
- FADAS: Towards Federated Adaptive Asynchronous Optimization [56.09666452175333]
フェデレートラーニング(FL)は、プライバシ保護機械学習のトレーニングパラダイムとして広く採用されている。
本稿では、非同期更新を適応的フェデレーション最適化と証明可能な保証に組み込む新しい手法であるFADASについて紹介する。
提案アルゴリズムの収束率を厳格に確立し,FADASが他の非同期FLベースラインよりも優れていることを示す実験結果を得た。
論文 参考訳（メタデータ） (2024-07-25T20:02:57Z) - Depersonalized Federated Learning: Tackling Statistical Heterogeneity by
Alternating Stochastic Gradient Descent [6.394263208820851]
フェデレート・ラーニング(FL)は、デバイスがデータ共有なしでインテリジェントな推論のために共通の機械学習(ML)モデルをトレーニングすることを可能にする。
様々な共役者によって保持される生データは、常に不特定に分散される。
本稿では,このプロセスのデスピードにより統計的に大幅に最適化できる新しいFLを提案する。
論文 参考訳（メタデータ） (2022-10-07T10:30:39Z) - DELTA: Diverse Client Sampling for Fasting Federated Learning [9.45219058010201]
フェデレーテッド・ラーニング(FL)では、コミュニケーションの負担を効率的に軽減するために、部分的なクライアント参加が広く採用されている。
既存のサンプリング手法はバイアスを受けるか、より高速な収束のためにさらに最適化することができる。
DELTAは,これらの問題を緩和するための非バイアスサンプリング方式である。
論文 参考訳（メタデータ） (2022-05-27T12:08:23Z) - Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。
提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
論文 参考訳（メタデータ） (2022-03-09T01:55:59Z) - Variance-Reduced Heterogeneous Federated Learning via Stratified Client
Selection [31.401919362978017]
本稿では,収束性の向上と精度の向上を図るため,新たな階層化クライアント選択方式を提案する。
地層変動の多様性を考慮し,最適化されたサンプルサイズ割当方式を提案する。
実験結果から,本手法は最先端の手法と比較して性能が向上するだけでなく,一般的なFLアルゴリズムと互換性があることが確認された。
論文 参考訳（メタデータ） (2022-01-15T05:41:36Z) - Adaptive Client Sampling in Federated Learning via Online Learning with
Bandit Feedback [36.05851452151107]
統合学習(FL)システムは、トレーニングの各ラウンドに関与するクライアントのサブセットをサンプリングする必要があります。
その重要性にもかかわらず、クライアントを効果的にサンプリングする方法には制限がある。
提案手法は,最適化アルゴリズムの収束速度をいかに向上させるかを示す。
論文 参考訳（メタデータ） (2021-12-28T23:50:52Z) - Variational Refinement for Importance Sampling Using the Forward
Kullback-Leibler Divergence [77.06203118175335]
変分推論(VI)はベイズ推論における正確なサンプリングの代替として人気がある。
重要度サンプリング(IS)は、ベイズ近似推論手順の推定を微調整し、偏りを逸脱するためにしばしば用いられる。
近似ベイズ推論のための最適化手法とサンプリング手法の新たな組み合わせを提案する。
論文 参考訳（メタデータ） (2021-06-30T11:00:24Z) - Clustered Sampling: Low-Variance and Improved Representativity for
Clients Selection in Federated Learning [4.530678016396477]
本研究は,フェデレートラーニング(FL)におけるサーバとクライアント間の通信を最適化する問題に対処する。
FLの現在のサンプリングアプローチは、サーバクライアントの通信とトレーニングの安定性の観点から、偏見または不最適のいずれかです。
クラスタ化サンプリングがクライアントの表現性の向上とFLにおけるクライアント集約重みの分散の低減につながることを証明した。
論文 参考訳（メタデータ） (2021-05-12T18:19:20Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - Detached Error Feedback for Distributed SGD with Random Sparsification [98.98236187442258]
コミュニケーションのボトルネックは、大規模なディープラーニングにおいて重要な問題である。
非効率な分散問題に対する誤りフィードバックよりも優れた収束性を示す分散誤差フィードバック(DEF)アルゴリズムを提案する。
また、DEFよりも優れた境界を示すDEFの一般化を加速するDEFAを提案する。
論文 参考訳（メタデータ） (2020-04-11T03:50:59Z) - Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。
上記のプロパティをすべて享受する既存のメソッドはありません。
本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
論文 参考訳（メタデータ） (2020-02-25T15:12:15Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。