Abstract
フェデレーテッドラーニング（FL）における統計的異質性は、単一のグローバルモデルが多様なクライアント分布に対応できず、負の転移を引き起こすことがしばしばあります。パーソナライズされたフェデレーテッドラーニング（pFL）は、各クライアントに合わせてモデルを調整することで、この問題に対処することを目指しています。しかし、既存のほとんどの pFL アプローチでは、クライアントがピアクライアントの貢献を一様に統合しており、すべてのピアが等しく有益である可能性が高いわけではないという現実を無視しています。さらに、同一クライアント内の個々のサンプルにおいて、異なるピアモデルの信頼性がしばしば変動するにもかかわらず、インスタンスレベルでのパーソナライズの可能性は、ほとんど未検討のままです。
本研究では、動的アンサンブル選択によるインスタンスレベルのパーソナライゼーションを実現する分散型 pFL フレームワークである FedDES（Federated Dynamic Ensemble Selection）を提案します。提案手法の中核は、データサンプルと候補となる分類器の間の相互作用を、異質なグラフとしてモデル化することで学習した、グラフニューラルネットワーク（GNN）のメタラーナーです。各テストクエリに対して、GNN はピアクライアントモデルを動的に選択し重み付けし、最も有能な分類器のアンサンブルを形成します。同時に、性能に対して無関係または潜在的に有害な寄与を効果的に抑制します。CIFAR-10 および実世界の ICU 医療データを用いた実験により、FedDES は非 IID 設定において最先端の pFL ベースラインを上回り、負の転移に対して頑健な保護を提供することが示されます。
