FedEmb：一种利用网络与特征嵌入聚合的纵向与混合联邦学习算法
机器学习
2024-01-11 v4 人工智能
摘要
联邦学习（Federated Learning, FL）是一种新兴范式，用于在分布式客户端上去中心化训练机器学习模型，且不向中心服务器泄露数据。该学习方案可以是横向的、纵向的或混合的（兼具纵向与横向）。现有大多数基于深度神经网络（Deep Neural Network, DNN）建模的研究工作聚焦于横向数据分布，而纵向与混合方案研究甚少。本文中，我们提出一种通用算法 FedEmb，用于建模纵向与混合的基于 DNN 的学习。我们的算法思想以相较现有工作更高的推理精度、更强的隐私保护特性以及更低的客户端-服务器通信带宽需求为特征。实验结果表明，FedEmb 是应对分割特征与主体空间去中心化问题的有效方法，在本地客户端存储的数据集上以有限隐私泄露取得了 0.3% 至 4.2% 的推理精度提升，并将时间复杂度较纵向基线方法降低 88.9%。
引用
@article{arxiv.2312.00102,
title = {FedEmb: A Vertical and Hybrid Federated Learning Algorithm using Network And Feature Embedding Aggregation},
author = {Fanfei Meng and Lele Zhang and Yu Chen and Yuxin Wang},
journal= {arXiv preprint arXiv:2312.00102},
year = {2024}
}
备注
Miss some important information and references. The publication hasn't been online in the journal