MMMay, 2024

基于特征的联邦迁移学习:通信效率、鲁棒性和隐私

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。