FedACT：異種データソースにまたがる同時連合型インテリジェンス

Abstract

フェデレーテッドラーニング（FL）は、プライバシーを保護する方法で、分散したデータソース機器にまたがって協調的な知能を実現します。個々のタスクに対する学習プロセスの最適化に関しては、膨大な研究の関心が集まってきましたが、実世界のアプリケーションでは、複数の機械学習タスクを同時に学習し、それらのモデルを共通の機器プール上で訓練することがますます求められています。単純に単一FLの最適化手法をマルチFLシステムに適用すると、特にデバイスの異質性と資源の非効率性によって、システム性能が最適にならない結果になります。この重要な未解決課題に対処するために、我々は {\\em FedACT} を提案します。これは、ジョブの平均完了時間（JCT）を最小化することを目的として、複数の同時並行FLジョブにわたって異質なデバイスを効率的にスケジューリングする、リソースの異質性を考慮した新しいデバイススケジューリング手法です。 {\\em FedACT} は、利用可能なデバイスのリソースとジョブのリソース需要との適合度を評価するアラインメントスコアリング機構に基づいて、動的にデバイスをFLジョブへ割り当てます。さらに、ジョブ間でデバイスの参加が均衡するように参加公平性を組み込み、学習されたグローバルモデルの精度を一層高めます。 {\\em FedACT} では、アラインメントスコアがより高いデバイスを優先しつつ、ジョブ間での公平な参加を確実にすることで、最適なスケジューリング計画を策定します。提案するスケジューリングアルゴリズムの有効性を評価するために、多様なFLジョブとベンチマークデータセットを用いた包括的な実験を行いました。実験結果は、 {\\em FedACT} が、最先端のベースラインと比較して、平均JCTを最大 8.3\(\times\) 低減し、モデル精度を最大 44.5\% 向上させることを示しています。