联邦主动学习 (F-AL)：一种高效的联邦学习标注策略
机器学习
2024-03-19 v2
摘要
联邦学习 (FL) 在通信效率、隐私和公平性方面已得到深入研究。然而，作为现实世界 FL 应用中的痛点，高效标注却较少被研究。在本项目中，我们提出将主动学习 (AL) 与采样策略应用于 FL 框架，以减少标注工作量。我们期望 AL 与 FL 能够互补地提升彼此的性能。在我们提出的联邦主动学习 (F-AL) 方法中，客户端以分布式优化的方式协作实施 AL，以获取被认为对 FL 具有信息量的样本。我们比较了使用传统随机采样策略、客户端级独立 AL (S-AL) 以及所提出的 F-AL 的全局 FL 模型的测试准确率。我们通过实证证明，F-AL 在图像分类任务中优于基线方法。
引用
@article{arxiv.2202.00195,
title = {Federated Active Learning (F-AL): an Efficient Annotation Strategy for Federated Learning},
author = {Jin-Hyun Ahn and Kyungsang Kim and Jeongwan Koh and Quanzheng Li},
journal= {arXiv preprint arXiv:2202.00195},
year = {2024}
}
备注
13 pages, 9 figures, submitted for conference publication