HyperFedNet：通过超网络实现通信高效的个性化联邦学习
网络与互联网体系结构
2024-03-05 v2
摘要
针对联邦学习 (FL) 中非独立同分布 (non-IID) 数据带来的挑战以及日益严重的隐私攻击威胁，我们引入了 HyperFedNet (HFN)，这是一种利用超网络革新 FL 中参数聚合与传输的新颖架构。传统的 FL 方法以传输大量参数为特征，不仅产生巨大的通信开销，还通过梯度分析呈现出隐私泄露的脆弱性。HFN 通过传输一组简洁的超网络参数来解决这些问题，从而降低通信成本并增强隐私保护。部署后，HFN 算法能够利用以嵌入向量量化的本地数据库特征作为输入，动态生成 FL 主网络基础层的参数。通过广泛的实验，HFN 在减少通信开销和提高模型准确性方面表现出优于传统 FL 方法的性能。通过将 HFN 算法集成到 FL 框架中，HFN 为 non-IID 数据和隐私威胁的挑战提供了解决方案。
引用
@article{arxiv.2402.18445,
title = {HyperFedNet: Communication-Efficient Personalized Federated Learning Via Hypernetwork},
author = {Xingyun Chen and Yan Huang and Zhenzhen Xie and Junjie Pang},
journal= {arXiv preprint arXiv:2402.18445},
year = {2024}
}