面向设备社会中分类任务的联邦与持续学习
机器学习
2021-01-13 v2
摘要
如今我们生活在设备日益互联、传感器化且几乎无处不在的环境中。近年来，深度学习已成为从这些设备所能收集的海量数据中提取知识的流行方法。然而，集中式最先进的学习方法在应对真实分布式问题时存在若干缺陷，其中可用信息通常是私有的、局部的、有偏的且随时间演化。联邦学习是一种流行的框架，允许多个分布式设备远程、协作且保护数据隐私地训练模型。然而，当前的联邦学习提案聚焦于深度架构，其在许多情况下无法在非专用设备（如智能手机）上实现。此外，关于数据分布以不可预见方式随时间变化、导致所谓概念漂移的场景，相关研究甚少。因此，本工作我们提出轻量联邦与持续共识（LFedCon2），一种使用轻量传统学习器的新型联邦与持续架构。我们的方法允许无算力设备（如智能手机或机器人）实时、本地、持续、自主且从用户处学习，同时也在云端通过结合设备本地所学来全局改进模型。为测试我们的提案，我们将其应用于异质智能手机用户社区以解决行走识别问题。结果显示了 LFedCon2 相较于其他最先进方法的优势。
引用
@article{arxiv.2006.07129,
title = {Federated and continual learning for classification tasks in a society of devices},
author = {Fernando E. Casado and Dylan Lema and Roberto Iglesias and Carlos V. Regueiro and Senén Barro},
journal= {arXiv preprint arXiv:2006.07129},
year = {2021}
}
备注
28 pages, 10 figures