FLAG：面向联邦学习多标签分类的快速标签自适应聚合方法
机器学习
2023-02-28 v1 人工智能
摘要
联邦学习旨在共享私有数据以最大化数据效用而不泄露隐私。以往的联邦学习研究主要集中于多类分类问题。然而，多标签分类是一个贴近真实世界数据特性的重要研究问题。尽管如此，探索该问题的联邦学习研究十分有限。现有的多标签联邦学习研究未考虑多标签数据的特性，即它们沿用多类分类的概念来验证方法性能，这意味着将其方法应用于真实场景并不可行。因此，本研究提出了一种新的多标签联邦学习框架，包含基于聚类的多标签数据分配（CMDA）以及一种新颖的聚合方法——用于联邦学习环境下多标签分类的快速标签自适应聚合（FLAG）。实验结果表明，我们的方法仅需少于50%的训练轮次和通信轮次即可超越最先进的联邦学习方法的性能。
引用
@article{arxiv.2302.13571,
title = {FLAG: Fast Label-Adaptive Aggregation for Multi-label Classification in Federated Learning},
author = {Shih-Fang Chang and Benny Wei-Yun Hsu and Tien-Yu Chang and Vincent S. Tseng},
journal= {arXiv preprint arXiv:2302.13571},
year = {2023}
}
备注
16 pages, 6 figures, and 2 tables