MMMay, 2024
基于特征的联邦迁移学习：通信效率、鲁棒性和隐私
Feature-based Federated Transfer Learning: Communication Efficiency, Robustness and Privacy
Feng Wang, M. Cenk Gursoy, Senem Velipasalar
TL;DR本文提出了基于特征的联邦迁移学习作为一种新方法，通过将上行负载减少数个数量级，改善通信效率，与现有的联邦学习和联邦迁移学习方法相比具有更好的效果。具体而言，在提出的基于特征的联邦学习中，我们设计了要上传的提取特征和输出，而不是参数更新。对于这个分布式学习模型，我们确定了所需的负载，并与现有方案进行了比较。随后，我们分析了基于特征的联邦迁移学习在数据包丢失、数据不足和量化方面的鲁棒性。最后，我们通过定义和分析标签隐私泄露和特征隐私泄露，并研究缓解方法来解决隐私问题。对于所有上述分析，我们通过在图像分类任务和自然语言处理任务上进行实验，评估了提出的学习方案的性能。