[논문 리뷰] FedICT: Federated Multi-task Distillation for Multi-access Edge Computing

Zhiyuan Wu, Sheng Sun외 5명|arXiv (Cornell University)|2023. 01. 01.

Privacy-Preserving Technologies in Data인용 수 5

한 줄 요약

FedICT는 다중 액세스 엣지 컴퓨팅(MEC) 환경에서 공개 데이터셋이 없는 개인화되고 이질적인 모델 훈련을 가능하게 하는 통신 효율적인 분산 다중 작업 정규화 프레임워크를 제안한다. Federated Prior Knowledge Distillation (FPKD)과 Local Knowledge Adjustment (LKA)를 도입함으로써, 기준 대비 통신 오버헤드는 1.2% 미만으로 줄이고 훈련 라운드 수를 최대 75% 감소시키며, 클라이언트 드리프트를 완화하고 데이터 및 모델 이질성 하에서 성능을 향상시킨다.

ABSTRACT

The growing interest in intelligent services and privacy protection for mobile devices has given rise to the widespread application of federated learning in Multi-access Edge Computing (MEC). Diverse user behaviors call for personalized services with heterogeneous Machine Learning (ML) models on different devices. Federated Multi-task Learning (FMTL) is proposed to train related but personalized ML models for different devices, whereas previous works suffer from excessive communication overhead during training and neglect the model heterogeneity among devices in MEC. Introducing knowledge distillation into FMTL can simultaneously enable efficient communication and model heterogeneity among clients, whereas existing methods rely on a public dataset, which is impractical in reality. To tackle this dilemma, Federated MultI-task Distillation for Multi-access Edge CompuTing (FedICT) is proposed. FedICT direct local-global knowledge aloof during bi-directional distillation processes between clients and the server, aiming to enable multi-task clients while alleviating client drift derived from divergent optimization directions of client-side local models. Specifically, FedICT includes Federated Prior Knowledge Distillation (FPKD) and Local Knowledge Adjustment (LKA). FPKD is proposed to reinforce the clients' fitting of local data by introducing prior knowledge of local data distributions. Moreover, LKA is proposed to correct the distillation loss of the server, making the transferred local knowledge better match the generalized representation. Experiments on three datasets show that FedICT significantly outperforms all compared benchmarks in various data heterogeneous and model architecture settings, achieving improved accuracy with less than 1.2% training communication overhead compared with FedAvg and no more than 75% training communication round compared with FedGKT.

연구 동기 및 목표

• 자원 제약이 있는 다중 액세스 엣지 컴퓨팅(MEC) 환경에서 개인화되고 이질적인 모델을 훈련하는 데 도전 과제를 해결한다.
• 높은 통신 오버헤드와 동일한 모델 아키텍처를 요구하는 기존 분산 다중 작업 학습(FMTL) 방법의 한계를 극복한다.
• 개인 정보 보호를 위한 정규화에서 공개 데이터셋에 의존하지 않도록 한다.
• 분산 환경에서 서로 다른 국지적 최적화 방향으로 인한 클라이언트 드리프트를 완화한다.
• 이질적인 데이터 및 모델 환경에서 최소한의 통신 비용과 빠른 수렴 속도로 높은 모델 정확도를 달성한다.

제안 방법

• 국지적 데이터 분포의 사전 지식을 활용하여 클라이언트가 국지적 데이터에 더 잘 적합하도록 하는 분산 사전 지식 정규화(FPKD)를 도입한다.
• 서버에서 정규화 손실을 보정함으로써 전달된 국지적 지식을 글로벌 모델의 일반화된 표현과 일치시키는 국지적 지식 조정(LKA)을 제안한다.
• 클라이언트와 서버 간 双방향 지식 정규화를 구현하여 원시 데이터나 모델 파라미터를 공유하지 않고도 상호 지식 전달을 가능하게 한다.
• 국지적 및 글로벌 데이터 특성과의 일치를 보장하기 위해 클라이언트 및 서버 측 모두에서 데이터 분포 벡터를 사용하여 지식 전달을 안내한다.
• 이중 단계 훈련 과정을 설계한다: (1) 국지적 데이터 분포 벡터를 활용한 클라이언트 측 초기화, (2) 집계된 클라이언트 지식을 사용한 서버 측 글로벌 모델 업데이트.
• 데이터 왜곡 상황에서도 지식 일치를 향상시키기 위해 유사도 기반 및 클래스 균형 LKA 기법을 모두 적용한다.

실험 결과

연구 질문

• RQ1 MEC 환경에서 공개 데이터셋에 의존하지 않고도 정규화가 분산 다중 작업 학습에 효과적으로 적용될 수 있는가?
• RQ2 이질적인 MEC 환경에서 클라이언트가 서로 다른 국지적 목표를 향해 최적화할 경우 클라이언트 드리프트는 어떻게 완화할 수 있는가?
• RQ3 이질적인 모델 아키텍처를 가진 분산 다중 작업 학습에서 통신 오버헤드는 어느 정도 감소시킬 수 있는가?
• RQ4 개인화된 모델은 데이터 및 모델 이질성 하에서도 개인정보 보호를 유지하면서 효과적으로 훈련될 수 있는가?
• RQ5 최신 기술의 분산 정규화 프레임워크와 비교해 볼 때 제안된 방법은 수렴 속도와 정확도에서 어떤가?

주요 결과

• FedICT는 다양한 데이터 및 모델 이질성 하에서 이미지 분류 및 교통 수단 탐지 등 모든 테스트 데이터셋에서 향상된 모델 정확도를 달성한다.
• FedICT의 통신 오버헤드는 FedAvg의 오버헤드의 1.2% 미만이며, MEC 환경에서 대역폭 사용을 크게 줄였다.
• FedGKT 대비 최대 75%의 훈련 라운드 감소로 수렴 속도가 가속화되었으며 성능 저하 없이 구현되었다.
• 제거 실험 결과, FPKD와 LKA 모두 성능 향상에 기여하며, 둘 중 하나를 제거할 경우 성능 저하가 관찰되었다.
• FedGKT와 FedDKC보다 평균 사용자 정확도에서 뛰어나며, 더 적은 훈련 라운드와 통신량을 요구한다.
• 계산 비용은 관리 가능하며, 추가 오버헤드가 표준 백프로파게이션보다 수 개의 지수 차수만큼 작아 수렴 속도 향상 효과가 더 크다.