联邦学习系统性文献综述：从模型质量视角
机器学习
2020-12-04 v1 密码学与安全
摘要
作为一种新兴技术，联邦学习（FL）可在数据保留本地的情况下联合训练全局模型，借助加密机制有效解决数据隐私保护问题。客户端训练本地模型，服务器聚合模型直至收敛。此过程中，服务器使用激励机制鼓励客户端贡献高质量、大体量数据以改进全局模型。尽管一些工作已将 FL 应用于物联网（IoT）、医疗、制造等领域，FL 的应用仍处起步阶段，诸多相关问题有待解决。提升 FL 模型质量是当前研究热点与艰巨任务之一。本文系统回顾并客观分析提升 FL 模型质量的方法。我们也关注 FL 的研究与应用趋势，以及 FL 与非 FL 的效果比较，因为从业者通常担忧实现隐私保护需牺牲学习质量。我们采用系统性综述方法分析 147 篇 FL 最新文献。本综述为学术界与工业界从业者提供有用信息与洞见。我们探究关于 FL 学术研究及工业应用趋势、影响 FL 模型质量的关键因素，以及 FL 与非 FL 算法在学习质量上比较的研究问题。基于综述结论，我们给出提升 FL 模型质量的若干建议。最后，我们为从业者提出一个 FL 应用框架。
引用
@article{arxiv.2012.01973,
title = {A Systematic Literature Review on Federated Learning: From A Model Quality Perspective},
author = {Yi Liu and Li Zhang and Ning Ge and Guanghao Li},
journal= {arXiv preprint arXiv:2012.01973},
year = {2020}
}