去中心化与激励式联邦学习框架：一项系统性文献综述
机器学习
2022-12-06 v3 人工智能
分布式、并行与集群计算
摘要
联邦学习（Federated Learning, FL）的出现点燃了一种并行且保密的去中心化机器学习（Machine Learning, ML）新范式，其潜力在于利用海量物联网、移动和边缘设备的计算能力，而数据无需离开相应设备，从而在设计上确保隐私。然而，为了将这一新范式从已受信任的小团体扩展到大规模采用，联邦学习框架（Federated Learning Framework, FLF）必须变得（i）真正去中心化，并且（ii）参与者必须受到激励。这是首篇系统性文献综述，分析同时涵盖去中心化和激励式联邦学习领域的整体FLF。通过查询12个主要科学数据库，检索到422篇出版物。经过系统审查和筛选过程，最终剩下40篇文章进行深入审查。尽管具有指导一个更分布式、更安全的AI未来的巨大潜力，但所分析的FLF中没有一个达到生产就绪状态。这些方法在用例、系统设计、解决的问题和完备性方面差异很大。我们率先提供了一种系统方法来分类和量化FLF之间的差异，揭示了当前工作的局限性，并为这一新颖领域的未来研究推导出方向。
引用
@article{arxiv.2205.07855,
title = {Decentral and Incentivized Federated Learning Frameworks: A Systematic Literature Review},
author = {Leon Witt and Mathis Heyer and Kentaroh Toyoda and Wojciech Samek and Dan Li},
journal= {arXiv preprint arXiv:2205.07855},
year = {2022}
}
备注
submitted to IEEE IOTJ