面向工业人工智能的基于深度生成模型的高效环形拓扑去中心化联邦学习
机器学习
2021-04-19 v1 人工智能
摘要
借助基于深度学习的技术，随着工业物联网（IIoT）生成数据的快速增长，数据驱动的方法已取得巨大成功。然而，安全与隐私问题在许多敏感数据驱动的工业场景（如医疗与自动驾驶）中是数据提供者的障碍。许多结合 DNN 的联邦学习（FL）方法已针对 IIoT 应用被提出，这些工作仍因数据不完整、质量低、数量不足、敏感等而受数据可用性低的困扰。因此，我们提出一种面向深度生成模型（DGMs）的基于环形拓扑的去中心化联邦学习（RDFL）方案，其中 DGMs 是解决上述数据可用性问题的一种有前景的方案。与现有 IIoT FL 工作相比，我们的 RDFL 方案提供了通信效率并维持训练性能以在目标 IIoT 任务中提升 DGMs。在所提 RDFL 中设计了一种新颖的环形 FL 拓扑以及一种基于 map-reduce 的同步方法，以改善去中心化 FL 性能与带宽利用率。此外，引入星际文件系统（IPFS）以进一步提升通信效率与 FL 安全性。已开展大量实验证明 RDFL 在独立同分布（IID）数据集或非独立同分布（Non-IID）数据集下的优越性。
引用
@article{arxiv.2104.08100,
title = {Efficient Ring-topology Decentralized Federated Learning with Deep Generative Models for Industrial Artificial Intelligent},
author = {Zhao Wang and Yifan Hu and Jun Xiao and Chao Wu},
journal= {arXiv preprint arXiv:2104.08100},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2010.10996