FedSEAL：基于自集成学习与负学习的半监督联邦学习
机器学习
2022-06-09 v2
摘要
联邦学习（FL）作为一种流行的去中心化且保护隐私的机器学习框架，近年来受到了广泛的研究关注。现有工作大多聚焦于监督学习（SL）问题，假设客户端持有带标签的数据集，而服务器没有数据。然而，在现实场景中，客户端往往因缺乏专业知识和动力而无法标注其数据，而服务器可能托管少量带标签数据。如何合理利用服务器带标签数据和客户端无标签数据，因此具有至关重要的实际意义。本文提出了一种名为FedSEAL的新联邦学习算法，以解决这一半监督联邦学习（SSFL）问题。我们的算法利用自集成学习和互补负学习来提升客户端对无标签数据进行无监督学习的准确性和效率，并协调服务器端和客户端的模型训练。我们在SSFL设置下，在Fashion-MNIST和CIFAR10数据集上的实验结果验证了该方法的有效性，其性能大幅优于当前最先进的SSFL方法。
引用
@article{arxiv.2110.07829,
title = {FedSEAL: Semi-Supervised Federated Learning with Self-Ensemble Learning and Negative Learning},
author = {Jieming Bian and Zhu Fu and Jie Xu},
journal= {arXiv preprint arXiv:2110.07829},
year = {2022}
}
备注
15 pages, 7 figures