基于代理模型共享的去中心化联邦学习
机器学习
2023-05-24 v2
摘要
金融和医疗等高度监管领域的机构通常对数据共享有严格限制。联邦学习是一种分布式学习框架，能够在分散数据上实现多机构协作，并更好地保护各协作方的数据隐私。本文提出一种称为 ProxyFL（基于代理的联邦学习）的通信高效去中心化联邦学习方案。ProxyFL 中的每个参与者维护两个模型：一个私有模型，以及一个为保护参与者隐私而公开共享的代理模型。代理模型允许参与者之间高效交换信息，无需中心化服务器。所提方法通过允许模型异构性消除了标准联邦学习的一个显著局限：每个参与者可拥有任意架构的私有模型。此外，我们的代理通信协议利用差分隐私分析提供了更强的隐私保障。在流行图像数据集以及使用高质量十亿像素组织学全切片图像的癌症诊断问题上的实验表明，ProxyFL 能以更低的通信开销和更强的隐私性优于现有替代方法。
引用
@article{arxiv.2111.11343,
title = {Decentralized Federated Learning through Proxy Model Sharing},
author = {Shivam Kalra and Junfeng Wen and Jesse C. Cresswell and Maksims Volkovs and Hamid R. Tizhoosh},
journal= {arXiv preprint arXiv:2111.11343},
year = {2023}
}