FedPNN：基于演化聚类方法与概率神经网络混合的一次性联邦分类
机器学习
2023-04-11 v1 人工智能
摘要
在金融、银行和医疗等领域，保护数据隐私至关重要。联邦学习（FL）因其去中心化、分布式的训练方式以及能在获得全局共享模型的同时保护隐私的能力而受到广泛关注。然而，FL 面临着通信开销大和资源能力有限等挑战。这促使我们提出一种以隐私保护为目标的两阶段联邦学习方法，这是一项首创性研究，如下所述：（i）在第一阶段，通过将两种不同分布作为噪声加入原始条件表格生成对抗神经网络（CTGAN），生成合成数据集，从而得到改进的 CTGAN；（ii）在第二阶段，开发并采用联邦概率神经网络（FedPNN）来构建全局共享分类模型。我们还采用合成数据集指标来检验所生成合成数据集的质量。此外，我们提出了一种元聚类算法，在服务器端对从客户端获得的聚类中心进行聚类以训练全局模型。尽管 PNN 是一种单次学习分类器，其复杂度取决于训练数据规模。因此，我们采用另一种单次算法——改进的演化聚类方法（ECM）对训练数据进行聚类，从而进一步提高速度。而且，我们通过逐一改变 ECM 在服务器端和客户端的超参数 Dthr 进行敏感性分析。我们的方法的有效性在四个金融和医疗数据集上得到了验证。
引用
@article{arxiv.2304.04147,
title = {FedPNN: One-shot Federated Classification via Evolving Clustering Method and Probabilistic Neural Network hybrid},
author = {Polaki Durga Prasad and Yelleti Vivek and Vadlamani Ravi},
journal= {arXiv preprint arXiv:2304.04147},
year = {2023}
}
备注
27 pages, 13 figures, 7 tables