誰を訓練するかが重要：参加登録と参加選択バイアス下でのフェデレーテッドラーニング

要旨: フェデレーテッド・ラーニング（FL）は、分散したクライアントが提供する更新により、共有モデルを学習する。多くの場合、提供するクライアントが対象集団を代表していると、暗黙に仮定している。しかし実際には、この代表性の仮定は2つの異なる段階で失敗しうる。その結果、選択バイアスが生じる。第一に、デバイス制約、ソフトウェア要件、またはユーザーの同意などの適格性ルールが、学習のために登録され到達可能なクライアントがどれであるかを決定し、これにより\emph{登録バイアス（enrollment bias）}が生じる。第二に、登録されたクライアントの中では、バッテリー状態、ネットワーク状態、ローカル時間といったユーザー要因およびシステム要因が、各通信ラウンドにどのクライアントが参加するかを決定し、これにより\emph{参加バイアス（participation bias）}が生じる。既存研究は、主にラウンド単位の参加バイアスに取り組んできた一方で、対象集団レベルでの登録バイアスに対する関心ははるかに低かった。その登録バイアスは、学習目的と対象集団の目的との間に、持続的な不一致を引き起こしうる。我々は、二段階の選択モデルとしてFLを形式化し、標準的な無視可能性（ignorability）および陽性条件（positivity）の仮定の下で、対象集団の平均更新を復元する逆確率重み付き集約方式\textsc{FedIPW}を導出する。さらに、登録されていないクライアントについてはクライアントレベルの共変量が利用できないことが多いため、既知の対象集団の要約を用いて登録サンプルを再重み付けし、登録バイアスを部分的に補正する、限定情報の集計キャリブレーション拡張も導入する。加えて、残差となる重み付け誤差のもとで、アルゴリズムに依存しない最適化解析を行い、不完全な選択補正が消えないバイアスの下限（non-vanishing bias floor）を誘発しうることを示す。最後に、合成フェデレーテッド・ロジスティック回帰に関する実験により、予測される目的の不一致を検証し、また二段階の選択において、登録補正が対象集団の誤差を低減することを示す。