通过融合降维数据表示实现无模型共享的联邦学习系统
机器学习
2020-11-16 v1
摘要
降维是机器学习流程中常用的环节，有助于从高维数据中提取重要特征。在本文中，我们探索了一种替代性的联邦学习系统，该系统在监督学习任务之前融合分布式数据的降维表示，从而避免了各方之间的模型共享。我们在图像分类任务上将本方法的性能与三种替代框架进行比较：集中式机器学习、独立机器学习和联邦平均（Federated Averaging），并分析了无模型共享联邦学习系统的潜在用例。我们的结果表明，我们的方法能够达到与联邦平均相似的准确率，并且在小用户场景下表现优于联邦平均。
引用
@article{arxiv.2011.06803,
title = {Federated Learning System without Model Sharing through Integration of Dimensional Reduced Data Representations},
author = {Anna Bogdanova and Akie Nakai and Yukihiko Okada and Akira Imakura and Tetsuya Sakurai},
journal= {arXiv preprint arXiv:2011.06803},
year = {2020}
}
备注
6 pages with 4 figures. To be presented at the Workshop on Federated Learning for Data Privacy and Confidentiality in Conjunction with IJCAI 2020 (FL-IJCAI'20)