一种面向AIoT的高效工业联邦学习框架：人脸识别应用
计算机视觉与模式识别
2022-07-01 v2 机器学习
摘要
近来，人工智能物联网（AIoT）日益受到关注，其愿景是通过物与物的网络连接提供高度智能的服务，从而形成先进的AI驱动生态。然而，近期对数据隐私的监管限制禁止将敏感本地数据上传至数据中心并以集中式方式利用。在此场景下直接应用联邦学习算法难以满足工业界对效率与准确性的双重要求。因此，我们针对人脸识别应用提出一种面向AIoT的高效工业联邦学习框架。具体而言，我们提出利用迁移学习的概念加速设备上的联邦训练，并进一步设计一种新颖的私有投影器，在不带来额外内存消耗或计算成本的情况下保护共享梯度。在一个私有亚洲人脸数据集上的实证研究表明，我们的方法仅需20轮通信即可达到高识别准确率，证明了其在预测上的有效性与训练上的高效性。
引用
@article{arxiv.2206.13398,
title = {An Efficient Industrial Federated Learning Framework for AIoT: A Face Recognition Application},
author = {Youlong Ding and Xueyang Wu and Zhitao Li and Zeheng Wu and Shengqi Tan and Qian Xu and Weike Pan and Qiang Yang},
journal= {arXiv preprint arXiv:2206.13398},
year = {2022}
}
备注
FL-IJCAL'22 Accepted Paper