面向不平衡数据情景下的联邦人脸识别元学习
计算机视觉与模式识别
2024-08-30 v1 人工智能
密码学与安全
摘要
围绕人脸图像数据日益增长的隐私关注，亟需新的技术来确保用户隐私。联邦人脸识别（FRR）是一种声称能实现更好用户隐私的人脸识别技术，属于联邦学习（FL）的子领域。然而，FRR 面临数据异构性带来的挑战，由于需要处理大量类别。为克服此问题，本文寻求于个人化联邦学习领域的解决方案。本工作引入了基于 CelebA 数据集的三种新数据分区，每种分区呈现不同形式的数据异构性。还提出了在 FFR 设置下引入 Hessian-Free Model Agnostic Meta-Learning（HF-MAML）。我们展示，HF-MAML 在三个不同的 CelebA 数据分区上的验证测试得分高于当前 FRR 模型。特别是，在异构数据分区上，验证得分提升最为显著。为平衡个人化与开发有效全局模型的发展，本文引入了损失函数的嵌入正则化项。该项可与 HF-MAML 组合使用，并显示可提高全局模型的验证性能。最后，本工作进行了公平性分析，表明 HF-MAML 及其嵌入正则化扩展通过降低客户端评估得分的标准差，能够提高公平性。
引用
@article{arxiv.2408.16003,
title = {Meta-Learning for Federated Face Recognition in Imbalanced Data Regimes},
author = {Arwin Gansekoele and Emiel Hess and Sandjai Bhulai},
journal= {arXiv preprint arXiv:2408.16003},
year = {2024}
}
备注
To appear in the IEEE FLTA 2024 proceedings