优化 SplitFed 学习中分割点的误差抗能力
人工智能
2024-05-31 v1
摘要
最近的去中心化学习进展，如联邦学习 (FL)、分割学习 (SL) 和分割联邦学习 (SplitFed)，拓展了机器学习的潜力。SplitFed 旨在最小化 FL 中单个客户端的计算负担，同时并行化 SL，同时保持隐私。本研究考察了 SplitFed 对模型分割点数据包丢失的抗性。它通过检查在不同点（浅层分割或深层分割）处分割模型对最终全局模型性能的影响，探索了各种 SplitFed 参数聚合策略。在人类胚胎图像分割任务上的实验揭示了更深层分割点具有统计显著优势。
引用
@article{arxiv.2405.19453,
title = {Optimizing Split Points for Error-Resilient SplitFed Learning},
author = {Chamani Shiranthika and Parvaneh Saeedi and Ivan V. Bajić},
journal= {arXiv preprint arXiv:2405.19453},
year = {2024}
}
备注
Accepted for poster presentation at the Women in Computer Vision (WiCV) workshop in CVPR 2024