연방 학습은 새로운 기계 학습 프레임 워크로, 개인 정보 보호 제한을 준수하며 클라이언트의 탈 중앙화 협력을 통해 깊은 모델을 훈련할 수 있습니다. clabifier 기존의 연방 학습 알고리즘 (FedAvg)에서 전역 모델은 각 클라이언트의 지역 데이터 양과 비례하도록 가중 선형 결합으로 생성됩니다. 그러나이 방법은 종종 예상 된 글로벌 최적화 목표에서 벗어나는 다양하고 알 수없는 클라이언트 데이터 분포와 직면 할 때 도전을 겪습니다. 선형 결합을 기반으로 하는 집계 방법은 연방 학습 환경에서 다양한 설정, 데이터 분포 및 동적 변화에 효과적으로 대처하기가 어려워 수렴 어려움과 일반화 능력 감소로 이어집니다. 본문은 메타 학습 프레임 워크를 기반으로 한 새로운 집계 방법 FedMcon을 제안합니다. 학습 가능한 집계기가 소규모 에이전트 데이터 세트를 훈련하고 목표와 더 일치하는 글로벌 모델을 만들기위해 다양한 지역 모델을 자동으로 집계하는 데 사용됩니다. 실험 결과는이 방법이 매우 비독립적 인 데이터를 처리하고 단일 연방 학습 환경에서 통신 효율을 19 배 향상시킬 수 있다는 것을 보여주었습니다.

연방 학습; 메타 학습; 적응형 집계