FLOSS：ストラグレーとユーザーの選択的参加対応付きフェデレーテッドラーニング

arXiv:2507.23115v2 Announce Type: replace 摘要：従来のフェデレーテッドラーニングシステムにおけるデータプライバシー研究は、トレーニングのためにデータ共有を同意したユーザーのデータを保ちながらプライバシーを守る操作に焦点を当てていました。しかし、現代のデータプライバシー契約は、ユーザーが学習に参加しつつ、必要な場合にデータ共有を選択的に拒否する権限を与えるようになっています。このユーザーの拒否参加と、異質なデバイス能力から生じるストラグレーが組み合わさる場合、多様なソースからの欠損データが偏生じ、モデル性能を低下させる要因となります。この論文では、ストラグレーとユーザーの拒否参加が存在する状況下において、このような欠損データのインパクトを緩和するシステム「FLOSS」を紹介し、シミュレーションを介してその性能を実証します。

arXiv:2507.23115v2 Announce Type: replace Abstract: Previous work on data privacy in federated learning systems focuses on privacy-preserving operations for data from users who have agreed to share their data for training. However, modern data privacy agreements also empower users to use the system while opting out of sharing their data as desired. When combined with stragglers that arise from heterogeneous device capabilities, the result is missing data from a variety of sources that introduces bias and degrades model performance. In this paper, we present FLOSS, a system that mitigates the impacts of such missing data on federated learning in the presence of stragglers and user opt-out, and empirically demonstrate its performance in simulations.