MULTI-FLGANs：面向非独立同分布的多分布式对抗网络
机器学习
2022-06-27 v1 人工智能
摘要
联邦学习是分布式机器学习领域中的一个新兴概念。该概念使GAN能够利用丰富的分布式训练数据，同时保护隐私。然而，在非IID设置下，当前的联邦GAN架构不稳定，难以学习 distinct 特征且易于发生模式崩溃。本文中，我们提出一种新颖架构MULTI-FLGAN，以解决非IID数据集上的低质量图像、模式崩溃与不稳定问题。我们的结果表明，在20个客户端上，MULTI-FLGAN的平均稳定性与性能（即高inception score）是基线FLGAN的四倍。
引用
@article{arxiv.2206.12178,
title = {MULTI-FLGANs: Multi-Distributed Adversarial Networks for Non-IID distribution},
author = {Akash Amalan and Rui Wang and Yanqi Qiao and Emmanouil Panaousis and Kaitai Liang},
journal= {arXiv preprint arXiv:2206.12178},
year = {2022}
}