基于梯度修正的联邦学习人脸识别
计算机视觉与模式识别
2021-12-15 v1
摘要
随着人脸识别中隐私问题日益受到关注，联邦学习已成为研究基于私有去中心化数据的无约束人脸识别问题的最 prevalent 方法之一。然而，传统去中心化联邦算法在客户端间共享网络全部参数，在人脸识别场景中面临隐私泄露隐患。本文引入一种框架 FedGC，以解决人脸识别的联邦学习问题并保障更高隐私性。我们从反向传播视角探索修正梯度的新思路，提出基于 softmax 的正则化项，通过精确注入跨客户端梯度项来修正类嵌入的梯度。理论上，我们证明 FedGC 构成了类似于标准 softmax 的有效损失函数。大量实验验证了 FedGC 的优越性，其在多个流行基准数据集上可匹配利用完整训练集的传统集中式方法的性能。
引用
@article{arxiv.2112.07246,
title = {Federated Learning for Face Recognition with Gradient Correction},
author = {Yifan Niu and Weihong Deng},
journal= {arXiv preprint arXiv:2112.07246},
year = {2021}
}
备注
accepted by AAAI2022