Federated learning is a method that can protect data privacy of local devices and at the same time reduce communication costs, and is attracting great interest from many researchers due to these advantages. It is confirmed that the performance of this federated learning is lower than in the case of the iid situation (the data are all distributed equally) in the non-iid situation where the local devices are non-independent non-identical data.In this paper, we present a method of applying the continuous learning method to federated learning to solve the poor performance of federated learning in non-iid data situations. We introduce a method that can achieve better performance than the vanilla federated learning method in non-iid data situations by introducing a continuous learning method to the learning method of local device while maintaining the data setting and learning method in the vanilla federated learning.
연합 학습은 로컬 장치들의 데이터 프라이버시를 지켜 줄 수 있으며 동시에 통신 비용을 줄일 수 있는 방법으로, 이러한 장점으로 인해 많은 연구자들에게 큰 관심을 받고 있다. 이런 연합 학습은 로컬 디바이스들이 비독립-비동일 분포 데이터 상황에서는 데이터가 모두 동일하게 분포되어 있는 동일분포 데이터 상황일 때보다 성능이 떨어지는 것이 확인 되었다. 이 논문에서는 비독립-비동일 데이터 상황에서 연합 학습의 떨어지는 성능을 해결 하기 위해 연속 학습 방법을 연합 학습에 적용하는 방법을 제시한다. 기존에 연합 학습에서의 데이터 셋팅 및 학습 방식을 유지하면서 로컬 사용자의 학습 방식에 연속 학습 방법을 도입하여 비독립-비동일 데이터 상황 일때에도 기존의 연합 학습의 방식보다 더 좋은 성능을 낼 수 있는 방법에 대해 소개한다.
