HetVis：一种用于识别横向联邦学习中数据异构性的可视化分析方法
人机交互
2022-08-17 v1
摘要
横向联邦学习（HFL）使分布式客户端能够训练共享模型并保护其数据隐私。在训练高质量 HFL 模型时，客户端间的数据异构性是要关注的主要问题之一。然而，由于安全问题以及深度学习模型的复杂性，研究跨不同客户端的数据异构性具有挑战性。为解决此问题，基于需求分析我们开发了可视化分析工具 HetVis，供参与客户端探索数据异构性。我们通过比较全局联邦模型与使用本地数据训练的独立模型的预测行为来识别数据异构性。随后，对不一致记录进行上下文感知聚类，以给出数据异构性的概要。结合所提出的比较技术，我们开发了一组新颖的可视化方法来识别 HFL 中的异构问题。我们设计了三个案例研究来介绍 HetVis 如何协助客户端分析师理解不同类型的异构问题。专家评审与对比研究证明了 HetVis 的有效性。
引用
@article{arxiv.2208.07491,
title = {HetVis: A Visual Analysis Approach for Identifying Data Heterogeneity in Horizontal Federated Learning},
author = {Xumeng Wang and Wei Chen and Jiazhi Xia and Zhen Wen and Rongchen Zhu and Tobias Schreck},
journal= {arXiv preprint arXiv:2208.07491},
year = {2022}
}
备注
Accepted by IEEE VIS 2022