面向稀疏恢复的联邦深度展开
信号处理
2020-10-27 v1
摘要
本文提出一种用于深度算法展开的联邦学习技术，应用于稀疏信号恢复与压缩感知。我们将该架构称为 Fed-CS。具体而言，我们在不将分布于多个客户端的训练数据传输至中心位置的情况下，展开并学习用于稀疏信号恢复的迭代收缩阈值算法。我们提出一种逐层联邦学习技术，其中每个客户端使用本地数据训练一个公共模型。然后，我们仅将该层的所有客户端模型参数传输至服务器，服务器聚合这些本地模型以得到共识模型。所提出的用于稀疏恢复的逐层联邦学习具有通信高效性并保护数据隐私。通过在合成与真实数据集上的数值实验，我们展示了 Fed-CS 的有效性，并给出了相较于深度展开集中式方法在参与客户端数量与通信开销方面的多种权衡。
引用
@article{arxiv.2010.12616,
title = {Federated Deep Unfolding for Sparse Recovery},
author = {Komal Krishna Mogilipalepu and Sumanth Kumar Modukuri and Amarlingam Madapu and Sundeep Prabhakar Chepuri},
journal= {arXiv preprint arXiv:2010.12616},
year = {2020}
}