联邦黑盒适应用于语义分割
计算机视觉与模式识别
2024-11-01 v1
摘要
联邦学习（FL）是一种分布式学习形式，允许多个机构或客户端协作学习全局模型以解决任务。这使得模型能够利用每个机构的信息，同时保护数据隐私。然而，最近的研究表明，现有方法并未兑现保护数据隐私的承诺，通过在训练期间在客户端和全局服务器之间传递梯度或在客户端端了解模型架构，有可能重建训练数据。在本文中，我们提出了一种联邦学习框架用于语义分割，无需了解模型架构或在客户端和服务器之间传递梯度，从而实现更好的隐私保护。我们提出BlackFed——一种利用零阶优化（ZOO）更新客户端模型权重和一阶优化（FOO）更新服务器权重的神经网络黑盒适应方法。我们在多个计算机视觉和医学影像数据集上评估了我们的方法以证明其有效性。据我们所知，这项工作是首批在联邦学习中用于分割、不涉及梯度或模型信息交换的工作之一。代码：https://github.com/JayParanjape/blackfed/tree/master
引用
@article{arxiv.2410.24181,
title = {Federated Black-Box Adaptation for Semantic Segmentation},
author = {Jay N. Paranjape and Shameema Sikder and S. Swaroop Vedula and Vishal M. Patel},
journal= {arXiv preprint arXiv:2410.24181},
year = {2024}
}
备注
Accepted at NEURIPS 2024