图像上的联邦学习：垂直分解与预训练骨干网络难以被超越
机器学习
2023-09-08 v1 信息论
math.IT
最优化与控制
摘要
我们仔细评估了多种在联邦环境中学习的算法，并测试了它们在各种图像分类任务中的效用。我们考虑了许多此前未被充分考量的问题：在缺乏多样化图像的数据集上学习是否会影响结果；是否应使用预训练的特征提取“骨干网络”；如何评估学习器性能（我们认为仅用分类准确率是不够的），等等。总体而言，在广泛的各类设置中，我们发现将神经网络进行垂直分解似乎能给出最佳结果，并优于更标准的基于协调的方法。
引用
@article{arxiv.2309.03237,
title = {Federated Learning Over Images: Vertical Decompositions and Pre-Trained Backbones Are Difficult to Beat},
author = {Erdong Hu and Yuxin Tang and Anastasios Kyrillidis and Chris Jermaine},
journal= {arXiv preprint arXiv:2309.03237},
year = {2023}
}
备注
16 pages, 7 figures, Accepted at ICCV2023