Who Trains Matters: Enrollment and Participation Selection Biases 하에서의

Federated learning (FL) 은 분산된 클라이언트들이 기여한 업데이트로부터 공유 모델을 학습시키며, 종종 기여하는 클라이언트들이 표본 모집단을 대표한다고 암묵적으로 가정합니다. 실제로 이 대표성 가치는 두 가지 다른 단계에서 실패할 수 있으며, 이는 선택 편향(selection bias)을 유발합니다. 첫째, 기기 제약, 소프트웨어 요구 사항, 또는 사용자 동의와 같은 자격 요건(eligibility rules)은 어떤 클라이언트가 학습에 등록되고 접근 가능한지 결정하여 extit{enrollment bias}를 유발합니다. 둘째, 등록된 클라이언트들 사이에서 배터리 상태, 네트워크 상태, 그리고 현지 시간과 같은 사용자 및 시스템 요인은 각 통신 라운드마다 어떤 클라이언트가 참여하는지를 결정하여 extit{participation bias}를 유발합니다. 기존 연구는 주로 라운드 수준의 participation bias 를 다루어 왔지만, 학습 목표와 표본 모집단 목표 사이의 지속적인 불일치를 유발할 수 있는 인구 수준 enrollment bias 에는 상대적으로 적은 관심을 기울여 왔습니다. 우리는 두 단계 선택 모델 하에서의 FL 을 공식화하고, 표준 ignorability 와 positivity 가정을 만족할 때 표본 모집단 평균 업데이트를 복원하는 역확률가중치 집계 방식인 extsc{FedIPW} 를 도출했습니다. 비등록 클라이언트들의 클라이언트 수준 공변량(client-level covariates) 이 종종 이용 불가능하기 때문에, 알려진 표본 모집단 요약 정보를 사용하여 등록 샘플을 재가중화하여 enrollment bias 를 부분적으로 수정하는 limited-information aggregate-calibration 확장도 도입합니다. 또한 잔여 가중치 오차(residual weighting error) 하에서 알고리즘에 무관한(algorithm-agnostic) 최적화 분석을 제공하며, 불완전한 선택 보정이 영이 아닌 편향 바닥(non-vanishing bias floor) 을 유발할 수 있음을 보여줍니다. 마지막으로 합성 federated logistic regression 실험을 통해 예측된 목표 불일치를 검증하고, 두 단계 선택 하에서 enrollment 보정이 표본 모집단 오차를 줄임을 보여줍니다.