联邦分裂 GAN
机器学习
2022-07-06 v1 人工智能
密码学与安全
摘要
移动设备及其生成的海量多样数据是机器学习（ML）应用的关键赋能因素。传统 ML 技术已转向联邦学习（FL）与分裂学习（SL）等新范式，以加强对用户数据隐私的保护。然而，这些范式常依赖位于边缘或云端的服务器来训练 ML 模型中计算繁重的部分，以避免耗尽客户端设备有限资源，从而导致设备数据暴露给此类第三方。本文提出一种替代方法，在用户设备自身（即相应设备数据所在处）训练计算繁重的 ML 模型。具体而言，我们聚焦于 GAN（生成对抗网络）并利用其固有的隐私保护属性。我们在用户设备上用原始数据训练 GAN 的判别部分，而生成模型在远端（如服务器）训练，无需访问传感器真实数据。此外，我们的方法通过 SL 使判别模型的训练计算负载按用户设备计算能力比例在其间分担。我们在真实资源受限设备上实现了所提出的计算繁重 GAN 模型协作训练方案。结果表明，我们的系统保护数据隐私、训练时间短，并在非受限设备（如云端）上取得相同的模型训练精度。我们的代码见 https://github.com/YukariSonz/FSL-GAN
引用
@article{arxiv.2207.01750,
title = {Federated Split GANs},
author = {Pranvera Kortoçi and Yilei Liang and Pengyuan Zhou and Lik-Hang Lee and Abbas Mehrabi and Pan Hui and Sasu Tarkoma and Jon Crowcroft},
journal= {arXiv preprint arXiv:2207.01750},
year = {2022}
}