基于合成数据的联邦学习
机器学习
2020-09-29 v2 机器学习
摘要
联邦学习允许利用多个客户端上的数据训练模型，而无需客户端传输原始数据。然而标准方法是传输模型参数（或更新），对于现代神经网络而言其规模可达数百万参数，给客户端带来显著计算成本。我们提出一种联邦学习方法，不再向服务器回传梯度更新，而是传输少量合成“数据”。我们描述了该过程并展示若干实验结果表明此方法具有潜力，在通信成本上实现超过一个数量级的降低，且模型性能退化极小。
引用
@article{arxiv.2008.04489,
title = {Federated Learning via Synthetic Data},
author = {Jack Goetz and Ambuj Tewari},
journal= {arXiv preprint arXiv:2008.04489},
year = {2020}
}