到那里找做网站的兼职,欧美设计网站,公司名称logo图片,买淘宝店铺多少钱一个级别CCFA
1.摘要
联邦学习#xff08;FL#xff09;和分割学习#xff08;SL#xff09;是两种流行的分布式机器学习方法。两者都采用了模型对数据的场景#xff1b;客户端在不共享原始数据的情况下训练和测试机器学习模型。由于机器学习模型的架构在客户端和服务器之间…级别CCFA
1.摘要
联邦学习FL和分割学习SL是两种流行的分布式机器学习方法。两者都采用了模型对数据的场景客户端在不共享原始数据的情况下训练和测试机器学习模型。由于机器学习模型的架构在客户端和服务器之间分割SL提供了比FL更好的模型隐私性。此外分割模型使SL成为资源受限环境的更好选择。然而由于在多个客户端之间基于中继进行训练SL的速度比FL慢。
2.贡献
本文提出了一种名为分割联邦学习SFL的新方法它将这两种方法融合在一起消除了它们固有的缺点并采用了一种精细的架构配置结合差分隐私和PixelDP来增强数据隐私和模型鲁棒性。我们的分析和实证结果表明纯SFL在多个客户端上比SL显著减少了每个全局时期的计算时间同时提供了类似的测试精度和通信效率。此外就像SL一样它在客户端数量增加时的通信效率优于FL。此外带有隐私和鲁棒性措施的SFL在扩展实验设置下进一步进行了评估
3.目标场景
FL的主要优势在于它允许跨多个客户端并行进行高效的ML模型训练。在FL中客户端的计算需求和ML训练期间的模型隐私是两个主要问题。对于一些商业公司的模型肯定是不能全部下发导数据提供方进行训练的同时对于客户端服务器配置的要求也比较高 在SL中通过切割模型可以使数据公司无法拥有全部模型同时降低了对于数据公司设备的要求。但SL中的中继式训练会导致客户端资源处于空闲状态因为一次只有一个客户端与服务器交互这会导致在许多客户端下训练开销的显著增加。
4.方法
4.1 方法概览 我们假设模型分为特征提取部分 M c M_c Mc和结果推理部分 M t M_t Mt 这里主要存在3个部分
Client 数据的提供方将数据通过 M c M_c Mc得到smashed data发送给主服务器。需要等待服务器进行反向传播更新本地的 M c M_c Mc并将 M c ′ M_c Mc′上传到聚合FedServer等待从FedServer上接收平均后的 M c f e d M_{c}^{fed} Mcfed用接收后的 M c M_c Mc来提取数据特征 Main Server 负责模型的推理和反向传播 FedServer 负责 M c M_c Mc的接收、平均和下发
4.2 SFL的几种变体
基于服务器端聚合 SFLV1 MainServer模型中存在聚合特征部分 SFLV2 删除MainServer模型聚合特征部分来增加模型准确性的可能性 基于数据标签分享 将数据标签共享到服务器 基于MPC等技术 不共享任何数据标签到服务器 SFL中的ML模型可以被划分为三个部分假设是一个简单的设置。每个客户端将处理两个客户端模型部分一个是W的前几层另一个是W的最后几层和损失计算。W的剩余中间层将在服务器端计算。
6.反思
感觉这个方法真的很酷但是工程上存在着网络等多种复杂情况。
