Who Trains Matters: Enrollment and Participation Selection Biases 하에서의

요약

이 논문은 연합 학습(FL) 환경에서 발생하는 두 가지 유형의 선택 편향, 즉 등록 편향(enrollment bias)과 참여 편향(participation bias)을 다룹니다. 기존 연구가 주로 라운드 수준의 참여 편향에 초점을 맞춘 반면, 본 연구는 인구 수준의 등록 편향까지 포함하여 FL 프레임워크를 공식화합니다. 이를 해결하기 위해 표준 가정을 만족하는 역확률가중치(Inverse Probability Weighting, IPW) 집계 방식인 FedIPW를 제안하며, 제한된 정보로도 enrollment bias를 수정할 수 있는 확장 방법론을 제시합니다.

핵심 포인트

• 연합 학습(FL)은 기여 클라이언트의 대표성 가정이 실패하는 두 가지 선택 편향(등록 및 참여)에 노출될 수 있다.
• 제안된 FedIPW는 표준 가정 하에서 표본 모집단 평균 업데이트를 복원하는 역확률가중치 집계 방식이다.
• enrollment bias와 participation bias를 모두 고려한 2단계 선택 모델을 공식화하고 분석했다.
• 클라이언트 수준 공변량 정보가 부족할 때, 알려진 표본 모집단 요약 정보를 사용하여 enrollment bias를 부분적으로 수정하는 방법을 도입했다.
• 불완전한 선택 보정은 알고리즘에 무관하게 비-0의 편향 바닥(bias floor)을 유발할 수 있음을 이론적으로 증명했다.