具有联邦与集中特征的边云协同学习
机器学习
2023-04-13 v1 信息检索
摘要
联邦学习（FL）是一种不损害用户隐私的边缘计算流行方式。当前的 FL 范式假设数据仅驻留在边缘，而云服务器仅执行模型平均。然而，在诸如推荐系统的现实情形中，云服务器有能力存储历史和交互特征。在本文中，我们提出的边云协同知识迁移框架（ECCT）弥合了边缘与云之间的鸿沟，实现两者间的双向知识迁移，共享特征嵌入与预测 logits。ECCT 综合了多项优势，包括增强个性化、实现模型异构性、容忍训练异步化以及减轻通信负担。在公开与工业数据集上的大量实验证明了 ECCT 的有效性和在学术界与工业界应用的潜力。
引用
@article{arxiv.2304.05871,
title = {Edge-cloud Collaborative Learning with Federated and Centralized Features},
author = {Zexi Li and Qunwei Li and Yi Zhou and Wenliang Zhong and Guannan Zhang and Chao Wu},
journal= {arXiv preprint arXiv:2304.05871},
year = {2023}
}
备注
Accepted by Proceedings of the 46th International ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR '23)