局所的トレーニングデータ統計に基づくクライアント条件付きフェデレーテッドラーニング

データのヘテロゲネシティの下でのフェデレーテッドラーニング（FL）は依然として困難です。既存の手法はクライアント間の差異を無視する（FedAvg）、コストの高いクラスタ発見を必要とする（IFCA）、またはクライアントごとのモデルを維持する（Ditto）場合が多く、データがスパースだったりヘテロゲネシティが多次元だったりすると劣化します。私たちは、各クライアントのトレーニングデータから局所的に計算されたPCA統計量を1つのグローバルモデルに条件付けることを提案します。これにより追加の通信は一切不要です。4つのヘテロゲニティタイプ（ラベルシフト、共変量シフト、概念シフト、結合ヘテロジニティ）、4つのデータセット（MNIST、Fashion-MNIST、CIFAR-10、CIFAR-100）、そして7つのFLベースライン手法を跨いだ97の設定で評価した結果、真のクラスタ割り当てを知っているOracleベースラインと全設定で同等であることを確認し、連続的な統計量が離散的なクラスタ識別子より豊富な場合には結合ヘテロジニティにおいて1–6%の改善を示し、これらの手法の中でスパース性に対して唯一頑健であることを示しました。