FedMIL：面向视频分析的联邦多示例学习与优化DPP调度
分布式、并行与集群计算
2024-03-27 v1 信息论
math.IT
摘要
许多AI平台，包括交通监控系统，使用联邦学习（FL）进行去中心化传感器数据处理，用于基于学习的应用，同时保护隐私并确保安全信息传输。另一方面，对大数据样本（如高分辨率图像）应用监督学习需要大量人工来标注数据样本的不同部分。多示例学习（MIL）通过对分配给示例'包'的标签进行操作来缓解这一挑战。本文引入联邦多示例学习（FedMIL）。该框架应用联邦学习来提升基于视频的MIL任务（如使用分布式闭路电视网络进行车辆事故检测）的训练性能。然而，去中心化环境中的数据源通常不是独立同分布（IID）的，这使得客户端选择对于用最少客户端集体代表整个数据集至关重要。为应对此挑战，我们提出DPPQ，一个基于行列式点过程（DPP）并带有基于质量核的框架，用于选择具有最多样化数据集的客户端，即使在大多数非IID情况下数据利用率更低，也能比随机选择和当前基于DPP的客户端选择方法取得更好性能。这为在计算资源有限的边缘设备上部署提供了显著优势，为在海量智能传感器网络中训练AI模型提供了可靠解决方案。
引用
@article{arxiv.2403.17331,
title = {FedMIL: Federated-Multiple Instance Learning for Video Analysis with Optimized DPP Scheduling},
author = {Ashish Bastola and Hao Wang and Xiwen Chen and Abolfazl Razi},
journal= {arXiv preprint arXiv:2403.17331},
year = {2024}
}