연합 학습에서, 전통적인 머신러닝에서의 과제보다 비IID 데이터 분포에서 비롯되는 문제(예: 모델 편향 및 느린 수렴)를 해결하는 것이 우선시된다. 본 연구는 비IID 데이터 분포 시나리오에서 학습 과정을 최적화하기 위해 코사인 유사도 기반 클라이언트 선택과 재학습(epoch) 횟수를 결합한 접근법을 제안한다. 평가를 통해 제안된 모델은 CIFAR-10 데이터 세트에서 정확도가 93.00% 향상되는 것으로 나타났다. 경험적 결과에 따르면, 제안 방법은 66.20%의 정확도에 도달하여 무작위 선택으로 달성한 34.30%의 정확도를 유의미하게 상회하였다. 또한 제안 방법은 기존의 무작위 선택에 비해 통신 효율, 강건성 및 수렴의 매끄러움을 개선한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.