FedHAP：基于全局原型的联邦哈希方法用于跨数据孤岛检索
信息检索
2022-07-13 v1
摘要
深度哈希因其优越的检索效率和低存储成本而被广泛应用于大规模数据检索。然而，数据往往分散在具有隐私顾虑的数据孤岛中，因此执行集中式数据存储与检索并非总是可行。利用联邦学习（FL）的概念来执行深度哈希是近期的研究趋势。然而，现有框架大多依赖于局部深度哈希模型的聚合，而这些模型仅通过使用局部偏斜数据执行相似度学习来训练。因此，它们无法在真实联邦环境中对非独立同分布（non-IID）客户端良好工作。为克服这些挑战，我们提出了一种新颖的联邦哈希框架，使参与客户端能够通过利用每类的原型哈希码联合训练共享深度哈希模型。在全局层面，每类仅传输一个原型哈希码的全局原型将最小化通信成本与隐私风险的影响。在局部层面，通过联合训练判别器网络与局部哈希网络来最大化全局原型的利用。在基准数据集上的大量实验表明，我们的方法能显著提升联邦环境中具有非独立同分布数据分布的深度哈希模型性能。
引用
@article{arxiv.2207.05525,
title = {FedHAP: Federated Hashing with Global Prototypes for Cross-silo Retrieval},
author = {Meilin Yang and Jian Xu and Yang Liu and Wenbo Ding},
journal= {arXiv preprint arXiv:2207.05525},
year = {2022}
}