联邦学习中隐私保护的新视角：粒球计算
机器学习
2025-01-10 v1 计算机视觉与模式识别
摘要
联邦学习（FL）通过避免直接数据共享来促进协作模型训练，同时优先考虑隐私。然而，现有的大多数文章试图解决模型内部参数和相应输出中的挑战，而忽略了在输入层面解决这些问题。为填补这一空白，我们提出了一种名为粒球联邦学习（GrBFL）的新框架，用于图像分类。GrBFL不同于依赖最细粒度输入数据的传统方法。相反，它将图像分割成多个具有最优粗粒度的区域，然后将其重构为图结构。我们为GrBFL设计了一种基于方差约束的二维二分搜索分割算法，该算法在保留关键代表性特征的同时有效去除冗余信息。广泛的理论分析和实验表明，GrBFL不仅保护隐私并提高效率，而且保持稳健的效用，持续优于其他最先进的FL方法。代码可在https://github.com/AIGNLAI/GrBFL获取。
引用
@article{arxiv.2501.04940,
title = {A New Perspective on Privacy Protection in Federated Learning with Granular-Ball Computing},
author = {Guannan Lai and Yihui Feng and Xin Yang and Xiaoyu Deng and Hao Yu and Shuyin Xia and Guoyin Wang and Tianrui Li},
journal= {arXiv preprint arXiv:2501.04940},
year = {2025}
}