面向隐私敏感视觉任务的扩散模型联邦学习
机器学习
2023-11-29 v1 密码学与安全
摘要
扩散模型在视觉相关任务中展现出巨大潜力，尤其在图像生成方面。然而，其训练通常以集中式方式进行，依赖于从公开来源收集的数据。这种方法在许多领域（如涉及数据收集隐私问题的医疗领域）可能不可行或不切实际。尽管存在与隐私敏感数据相关的挑战，此类领域仍可从扩散模型提供的有价值的视觉服务中受益。联邦学习（FL）在实现去中心化模型训练而不损害数据隐私方面发挥着关键作用。FL系统不收集数据，而是聚合模型参数，从而有效保护各参与方的私有数据。这使得FL系统对于管理去中心化学习任务至关重要，特别是在隐私敏感数据分布于客户端网络中的场景。尽管如此，由于其分布式特性和隐私保护属性，FL也带来了自身的一系列挑战。因此，在本研究中，我们探索用于训练扩散模型的FL策略，为联邦扩散模型的发展铺平道路。我们在多种FL场景下进行了实验，结果表明联邦扩散模型在向隐私敏感领域提供视觉服务方面具有巨大潜力。
引用
@article{arxiv.2311.16538,
title = {Federated Learning with Diffusion Models for Privacy-Sensitive Vision Tasks},
author = {Ye Lin Tun and Chu Myaet Thwal and Ji Su Yoon and Sun Moo Kang and Chaoning Zhang and Choong Seon Hong},
journal= {arXiv preprint arXiv:2311.16538},
year = {2023}
}