FedEmbed：个性化私有联邦学习
机器学习
2022-02-22 v1
摘要
联邦学习使得机器学习能够部署于集中式数据收集不切实际的问题。加入差分隐私可在数据贡献给全局模型时提供隐私边界保证。为联邦学习加入个性化带来了新的挑战，因为我们必须考虑个体用户的偏好，其中数据样本可能带有冲突标签——某一用户子群体可能正面看待某输入，而其他子群体可能负面看待同一输入。我们提出 FedEmbed，一种用于个性化全局模型的私有联邦学习新方法，它利用（1）相似用户的子群体，以及（2）个人嵌入。我们证明了现有联邦学习方法不足以处理带冲突标签的数据，并展示 FedEmbed 相比个性化私有联邦学习的基线方法取得了最高 45% 的提升。
引用
@article{arxiv.2202.09472,
title = {FedEmbed: Personalized Private Federated Learning},
author = {Andrew Silva and Katherine Metcalf and Nicholas Apostoloff and Barry-John Theobald},
journal= {arXiv preprint arXiv:2202.09472},
year = {2022}
}
备注
15 pages