面向数据流联邦学习
机器学习
2023-01-05 v1 人工智能
最优化与控制
机器学习
摘要
联邦学习(FL, federated learning)是一种有效的解决方案，可在物联网设备和智能手机产生的数据量不断增长的背景下训练机器学习模型，同时使这些数据保持本地化。以往大多数联邦学习工作都假设客户端在训练开始前使用已收集的静态数据集进行操作。这种方法可能效率低下，因为：1) 它忽略了客户端在训练期间收集的新样本；2) 它可能需要客户端收集足够数据的一段潜在较长的准备阶段。此外，在设备总存储量很小的场景中，基于静态数据集的学习可能根本无法实现。因此，有必要设计能够从数据流中学习的联邦算法。在这项工作中，我们形式化并研究了数据流联邦学习的问题。我们提出了一种通用的联邦学习算法，通过恰当的加权经验风险最小化从数据流中学习。我们的理论分析为配置此类算法提供了见解，并在广泛的机器学习任务上评估了其性能。
引用
@article{arxiv.2301.01542,
title = {Federated Learning for Data Streams},
author = {Othmane Marfoq and Giovanni Neglia and Laetitia Kameni and Richard Vidal},
journal= {arXiv preprint arXiv:2301.01542},
year = {2023}
}
备注
34 pages