单边信任社交网络上无中心服务器的联邦学习
机器学习
2020-08-04 v2 社会与信息网络
机器学习
摘要
联邦学习对现代机器学习已变得日益重要，尤其在数据隐私敏感的场景中。现有联邦学习大多采用基于中心服务器的架构或集中式架构。然而，在许多社交网络场景中，集中式联邦学习并不适用（例如，可能不存在连接所有用户的中心代理或服务器，或者到中心服务器的通信成本难以承受）。在本文中，我们考虑一种通用设定：1) 中心服务器可能不存在；2) 社交网络是单向的或单边信任的（即用户 A 信任用户 B，但用户 B 可能不信任用户 A）。我们提出一种无中心服务器的联邦学习算法，称为在线推送求和（Online Push-Sum, OPS）方法，以处理这一具有挑战性但通用的场景。我们还提供了严格的后悔分析，展示了在联邦学习场景中用户如何从与受信任用户的通信中获益的有趣结果。本工作为通用社交网络场景下的联邦学习建立了基础算法框架与理论保证。
引用
@article{arxiv.1910.04956,
title = {Central Server Free Federated Learning over Single-sided Trust Social Networks},
author = {Chaoyang He and Conghui Tan and Hanlin Tang and Shuang Qiu and Ji Liu},
journal= {arXiv preprint arXiv:1910.04956},
year = {2020}
}
备注
decentralized federated learning