Oct, 2023
加权抽样分割学习（WSSL）：在分布式学习环境中平衡隐私、鲁棒性和公平性
Weighted Sampled Split Learning (WSSL): Balancing Privacy, Robustness, and Fairness in Distributed Learning Environments
Manish Osti, Aashray Thakuri, Basheer Qolomany, Aos Mulahuwaish
TL;DR分布式机器学习中的权重抽样分割学习（WSSL）框架，旨在强化隐私、鲁棒性和公平性。通过将学习过程分散在多个客户端上，WSSL 保护数据的机密性，并通过策略性选择具有贡献的有影响力的客户端来确保公平学习。通过对人体步态传感器和 CIFAR-10 两个不同数据集的评估，我们观察到 WSSL 的三个主要优点：模型准确性提高、鲁棒性增强以及在不同客户端组成中的公平性保持不变。值得注意的是，我们的分布式框架始终胜过集中式对应物，分别在人体步态传感器和 CIFAR-10 数据集上注册了 82.63% 和 75.51% 的准确率峰值，而集中式系统的准确率峰值分别为 81.12% 和 58.60%。综上所述，我们的研究结果认可 WSSL 作为传统集中式学习的有力可行替代品，这推动了以隐私为重点、有韧性和公正的分布式机器学习领域的重要发展。