非IIDフェデレーテッドラーニングにおける適応的量子化と差分プライバシーによるプライバシー強化および通信効率の改善
arXiv cs.CV / 2026/4/28
📰 ニュースDeveloper Stack & InfrastructureModels & Research
要点
- 本論文は、非IIDのフェデレーテッドラーニングにおける主要課題である、異種デバイス環境による通信オーバーヘッドと、モデル／勾配解析によるプライバシー漏えいリスクに取り組む。
- 差分プライバシーと適応的量子化を組み合わせ、特にラプラス分布ベースのDPを用いることで、FLにおいて相対的に未検討なDP選択肢によりプライバシー保証を強化する。
- 著者らは、グローバルなビット長スケジューラ（ラウンドベースのコサインアニーリング）と、各クライアントの寄与をデータセットのエントロピー解析で推定してビット長を動的に調整するクライアント側スケジューラの両方を提案する。
- CIFAR-10、MNIST、医療画像データセットで非IID設定の下に評価した結果、総通信量を大幅に削減できる（MNISTで最大52.64%、CIFAR-10で45.06%）一方で、精度は競争的に保たれ、差分プライバシーによる保護も維持される。
