FedSPDnet: Stiefel 제약 조건을 가진 대칭 양의 정부호 (SPD) 행렬에서 작동하는 고전적 SPDnet 모델에 대한 기하구조 인식 연방 딥러닝

요약

FedSPDnet은 Stiefel 제약 조건을 가진 대칭 양의 정부호(SPD) 행렬에 작동하는 고전적 SPDnet 모델을 위한 두 가지 연방 학습 프레임워크를 제시합니다. 이 접근 방식은 표준 유클리드 평균화 대신 ProjAvg와 RLAvg라는 기하구조 보존 집계 전략을 사용하여 직교성을 유지하며, 계산 효율성과 옵티마이저 독립성을 확보했습니다. 시뮬레이션 결과, FedSPDnet은 EEG 운동 상상 벤치마크에서 기존의 연방 모델보다 우수한 성능과 견고성을 보여주었습니다.

핵심 포인트

• FedSPDnet은 Stiefel 제약 조건을 가진 SPD 행렬에 특화된 연방 학습(FL) 프레임워크입니다.
• 기존 유클리드 평균화의 문제점인 직교성 위반을 해결하기 위해 ProjAvg와 RLAvg라는 두 가지 기하구조 보존 집계 전략을 도입했습니다.
• 제안된 방법들은 계산적으로 효율적이며 옵티마이저에 독립적이어서 다양한 신호 처리 응용 분야에 적용 가능합니다.
• EEG 운동 상상 벤치마크에서 FedSPDnet은 기존 모델 대비 우수한 F1 점수와 부분 참여(partial participation)에 대한 높은 견고성을 입증했습니다.