クラウド・エッジ間の要素ごとの分離による、連合学習最適ブレイン・パーソナライゼーション（FedOBP）
arXiv cs.LG / 2026/4/21
💬 オピニオンDeveloper Stack & InfrastructureModels & Research
要点
- 本論文は、クライアント間のデータ不均一性やリソース制約のあるモバイル端末によって精度が低下し得る連合学習の課題に対し、パーソナライズド連合学習（PFL）とモデル分離の考え方から解決を目指します。
- 要素ごとの重要度スコアと量位（クォンタイル）ベースの閾値処理を用いて、どのパラメータを個別化し、どれをグローバルに共有すべきかを決めるFedOBPを提案します。
- さらに、テイラー展開の中で一次導関数の連合近似を取り入れることで、Optimal Brain Damage（OBD）に基づくプルーニング理論を拡張し、各パラメータがローカル損失地形に対してどれほど敏感かを評価します。
- 指標（重要度）の計算をクライアント側からサーバ側へ移し、モバイル端末の計算負荷を軽減します。
- 複数データセットと不均一性の条件での実験により、FedOBPが既存手法を上回り、個別化に必要なパラメータ数もごく少数で済むことが示されます。
