FeDMRA：ダイナミックなメモリリプレイ割り当てによるフェデレーテッド・インクリメンタル学習

概要: 機微医療システムにおいて、Federated Class-Incremental Learning（FCIL）は、分散されたクライアント間でデータのプライバシーを保護しつつ、継続的に適応的なモデル学習を可能にする主要なパラダイムとして注目されている。 しかし実運用のアプリケーションでは、分散フレームワーク内のエージェントノード間でのデータはしばしば独立同分布（non-IID）の特徴を有しており、そのため従来の継続学習手法は適用できない。 これらの課題に対処するため、本論文では、より包括的なインクリメンタル・タスクのシナリオを扱い、データリプレイ機構に基づくエクセンプラ（模範例）保存のための動的メモリ割り当て戦略を提案する。 この戦略は、データの異質性がもつ本来の可能性を十分に活用しつつ、参加するすべてのクライアントの性能公平性を考慮することで、壊滅的忘却（catastrophic forgetting）を軽減するためのバランスのとれた適応的な解決策を確立する。 クライアントのエクセンプラメモリを固定的に割り当てるのではなく、提案方式は、限られたストレージ資源をクライアント間で合理的に配分することに重点を置き、モデル性能を向上させる。 さらに、3つの医用画像データセットに対して大規模な実験を行い、既存のベースラインモデルと比べて顕著な性能向上が得られることを示す。