FedRFQ：一种减少冗余、最小化故障并提升质量的基于原型的联邦学习方法
分布式、并行与集群计算
2024-01-19 v1 机器学习
摘要
联邦学习是一种强大的技术，能够实现不同客户端之间的协作学习。基于原型的联邦学习是一种特定方法，通过整合类原型来改善非独立同分布（non-IID）设置下本地模型的性能。然而，基于原型的联邦学习面临若干挑战，例如原型冗余和原型故障，这限制了其准确性。它也容易受到投毒攻击和服务器故障的影响，从而降低原型质量。为了解决这些问题，我们提出了 FedRFQ，这是一种基于原型的联邦学习方法，旨在减少冗余（Redundancy）、最小化故障（Failure）并提升质量（Quality）。FedRFQ 利用 SoftPool 机制，有效缓解了非 IID 数据上的原型冗余和原型故障。此外，我们引入了 BFT-detect，一种可检测拜占庭容错（BFT）的聚合算法，以确保 FedRFQ 抵御投毒攻击和服务器故障的安全性。最后，我们在三个不同的数据集（MNIST、FEMNIST 和 CIFAR-10）上进行了实验，结果表明，在处理非 IID 数据时，FedRFQ 在准确性方面优于现有基线。
引用
@article{arxiv.2401.07558,
title = {FedRFQ: Prototype-Based Federated Learning with Reduced Redundancy, Minimal Failure, and Enhanced Quality},
author = {Biwei Yan and Hongliang Zhang and Minghui Xu and Dongxiao Yu and Xiuzhen Cheng},
journal= {arXiv preprint arXiv:2401.07558},
year = {2024}
}