이 논문에서는 데이터 이질성이 높은 환경에서 클러스터 할당과 클라이언트 선택을 동시에 최적화하는 Fed-BAC 방법을 제안합니다.
Fed-BAC는 클라우드에서 서버-클러스터 할당을 학습하는 컨텍스추얼 뱅디트 프레임워크와 각 에지 서버에서 기여도가 높은 클라이언트를 식별하는 톰슨 샘플링을 활용합니다.
CIFAR-10, SVHN, Fashion-MNIST 벤치마크에서 Fed-BAC는 기존 방법 대비 최대 35.5%의 정확도 향상과 더불어 빠른 수렴 속도와 공정성 개선을 달성했습니다.