从联邦学习到联邦神经架构搜索：综述
分布式、并行与集群计算
2020-09-15 v1
摘要
联邦学习是近年来提出的用于隐私保护的分布式机器学习范式，已在数据隐私至关重要的广泛应用中得到使用。同时，神经架构搜索因能自动调整深度神经网络的架构与超参数而在深度学习中变得非常流行。尽管联邦学习和神经架构搜索都面临许多开放挑战，在联邦学习框架中搜索优化神经架构尤其困难。本综述论文从简要介绍联邦学习开始，包括横向、纵向和混合联邦学习。然后介绍基于强化学习、进化算法和梯度的神经架构搜索方法。随后描述近期提出的联邦神经架构搜索，其被归类为在线与离线实现，以及单目标和多目标搜索方法。最后概述剩余的开放研究问题并建议有价值的研究方向。
引用
@article{arxiv.2009.05868,
title = {From Federated Learning to Federated Neural Architecture Search: A Survey},
author = {Hangyu Zhu and Haoyu Zhang and Yaochu Jin},
journal= {arXiv preprint arXiv:2009.05868},
year = {2020}
}