通信高效且隐私保护的基于特征的联邦迁移学习
机器学习
2022-09-13 v1
摘要
联邦学习因能保护客户端隐私而受到越来越多的关注。作为联邦学习的一种变体，联邦迁移学习利用相似任务中的知识，因此也得到了深入研究。然而，由于无线电频谱有限，经由无线链路的联邦学习的通信效率至关重要，因为某些任务可能需要数千太字节的上行载荷。为提高通信效率，我们在本文中提出基于特征的联邦迁移学习，作为一种创新方法，与现有方法相比可将上行载荷减少五个数量级以上。我们首先介绍系统设计，其中上传的是提取的特征和输出而非参数更新，然后确定该方法所需的载荷并与现有方法进行比较。随后，我们分析了保护客户端隐私的随机打乱方案。最后，我们通过在图像分类任务上的实验评估所提出学习方案的性能，以证明其有效性。
引用
@article{arxiv.2209.05395,
title = {Communication-Efficient and Privacy-Preserving Feature-based Federated Transfer Learning},
author = {Feng Wang and M. Cenk Gursoy and Senem Velipasalar},
journal= {arXiv preprint arXiv:2209.05395},
year = {2022}
}
备注
Code implementation available at: https://github.com/wfwf10/Feature-based-Federated-Transfer-Learning