全局层：非独立同分布表格联邦学习
机器学习
2023-06-01 v1
摘要
客户端间的数据异构性仍是联邦学习（FL）中的关键挑战，尤其在表格数据情形下。本工作提出全局层（GL），一种新颖的局部模型个性化方法，在存在联合分布 偏移以及跨客户端的混合输入/输出空间 时具有鲁棒性。据我们所知，GL 是首个能够同时支持客户端独占特征和类别的方法。我们引入了两个来自现有真实世界数据集自然划分的表格 FL 新基准实验：i) 将 UCI Covertype 按“荒野区域”特征划分为 4 个客户端；ii) 将 UCI Heart Disease、SAHeart、UCI Heart Failure 各自作为客户端。在全参与设置下这些实验的经验结果表明，GL 取得了优于联邦平均（FedAvg）和仅本地训练的结果，某些客户端甚至优于其中心化基线。
引用
@article{arxiv.2305.19290,
title = {Global Layers: Non-IID Tabular Federated Learning},
author = {Yazan Obeidi},
journal= {arXiv preprint arXiv:2305.19290},
year = {2023}
}
备注
Pre-print, under review. 24 pages, 17 tables, 3 figures. For experiment code see: https://github.com/transferFL/gl/