无第三方协调器的纵向联邦学习并行分布式逻辑回归
机器学习
2019-11-25 v1 密码学与安全
分布式、并行与集群计算
摘要
联邦学习是一种新的分布式学习机制，允许在不同数据提供方拥有的大量去中心化数据上训练模型，且无需共享或泄露原始数据。根据数据分布的特点，它通常可分为三类：横向联邦学习、纵向联邦学习和联邦迁移学习。本文给出一种面向纵向联邦学习的并行分布式逻辑回归解决方案。与现有工作相比，我们所提方案中去除了第三方协调器的角色。该系统构建于参数服务器架构之上，旨在借助服务器集群应对大规模训练数据以加速模型训练。我们还评估了并行分布式模型训练的性能，实验结果表明系统具有极佳的可扩展性。
引用
@article{arxiv.1911.09824,
title = {Parallel Distributed Logistic Regression for Vertical Federated Learning without Third-Party Coordinator},
author = {Shengwen Yang and Bing Ren and Xuhui Zhou and Liping Liu},
journal= {arXiv preprint arXiv:1911.09824},
year = {2019}
}
备注
IJCAI-19 Workshop on Federated Machine Learning for User Privacy and Data Confidentiality (IJCAI (FML)) 2019