DriftGuard: フェデレーテッドラーニングにおける非同期データドリフトの緩和
arXiv cs.LG / 2026/3/20
📰 ニュースIdeas & Deep AnalysisModels & Research
要点
- 本論文は、デバイス分布が異なるタイミングでシフトすることにより訓練を難しくする、フェデレーテッドラーニングにおける非同期データドリフトに対処します。
- DriftGuardは、Mixture-of-Expertsに触発されたアーキテクチャを用い、共有グローバルパラメータとローカルクラスタ固有パラメータを分離して、効率的な適応を実現します。
- 2つの再訓練戦略をサポートします。すなわち、システム全体のドリフトが識別された場合に共有パラメータを更新するグローバル再訓練と、生データを共有することなくデバイスクラスタ向けの局所パラメータを選択的に更新するグループ再訓練です。
- 実証結果は、再訓練コストを最大83%削減し、再訓練単位あたりの精度を最大2.3倍向上させる、同等またはそれ以上の精度を示します。
- このフレームワークはオープンソースであり、https://github.com/blessonvar/DriftGuard で公開されています。
