フェデレーテッド学習における統計的異質性に対応するパーソナライズ化手法「FedSPC」

フェデレーテッド学習（FL）は、分散されたクライアントデータを集約せずにモデルを学習させることで、プライバシー保護とデータセキュリティを両立させる有望な技術です。しかし、クライアント間でデータの統計的異質性が高い場合、グローバルモデルが全てのクライアントに最適とは限らない「統計的異質性問題」に直面します。この課題に対応するため、多くのPFL（Personalized Federated Learning）手法では、モデルを共有パラメータとパーソナライズされたパラメータに分割し、各クライアントでこれらを共同で学習させます。しかし、各クライアントが異なるローカル目的を最適化するため、共有パラメータの更新に不整合が生じ、結果として共有表現が弱体化するという最適化上の問題が発生していました。本研究では、この問題を解決するために、モジュール式の補正手法である「Federated Shared Parameter Correction（FedSPC）」を提案しています。FedSPCは、与えられたPFL手法の共有パラメータにのみ制御変量補正を適用し、パーソナライズされたパラメータには手を加えない点が特徴です。これにより、共有パラメータの更新における不整合を効果的に是正し、共有表現の堅牢性を維持しながら、クライアント固有の適応性を可能にします。FedSPCは、PFLの性能と安定性を向上させるだけでなく、プライバシー保護とモデルのパーソナライズ化を両立させる重要な技術的進歩となります。今後、医療、金融、IoTなど、様々な分野でのPFLの応用が期待されます。