用于垂直分区多视图数据的主动-被动联邦学习
机器学习
2024-09-09 v1
摘要
垂直联邦学习是一种自然且优雅的方法，用于在保持数据隐私的同时整合跨设备（客户端）垂直分区的多视图数据。除了模型训练，现有方法需要所有客户端在模型推断时进行协作。然而，模型推断可能长期维持服务，而在实际场景中，尤其是当客户端属于不同组织时，协作是不可预测的，如合同解除、网络不可用等，导致它们的失败。为此，我们首次提出一种灵活的主动-被动联邦学习（APFed）框架。具体而言，主动客户端是学习任务的发起者，负责构建完整模型，而被动客户端仅作为助理。一旦模型构建完成，主动客户端即可独立进行推断。此外，我们分别在被动客户端上采用重建损失和对比损失，将 APFed 框架实例化为两种分类方法。与此同时，这两种方法在一组实验中取得理想结果，验证了其有效性。
引用
@article{arxiv.2409.04111,
title = {Active-Passive Federated Learning for Vertically Partitioned Multi-view Data},
author = {Jiyuan Liu and Xinwang Liu and Siqi Wang and Xingchen Hu and Qing Liao and Xinhang Wan and Yi Zhang and Xin Lv and Kunlun He},
journal= {arXiv preprint arXiv:2409.04111},
year = {2024}
}