异构特征空间上的个性化联邦学习
机器学习
2023-01-30 v1 人工智能
机器学习
摘要
大多数个性化联邦学习（FL）方法假设所有客户端的原始数据定义在一个公共子空间中，即所有客户端按照相同的模式存储其数据。对于现实世界应用，这一假设具有限制性，因为拥有自身系统来收集并存储数据的客户端可能使用异构的数据表示。我们旨在填补这一空白。为此，我们提出了一个称为 FLIC 的通用框架，该框架通过局部嵌入函数将客户端数据映射到公共特征空间。公共特征空间使用 Wasserstein 重心以联邦方式学习，而局部嵌入函数则通过分布对齐在每个客户端上训练。我们将该分布对齐机制集成到联邦学习方法中，并给出了 FLIC 的算法。我们将其性能与涉及异构输入特征空间的联邦学习基准进行了比较。此外，我们提供了支持我们方法相关性的理论见解。
引用
@article{arxiv.2301.11447,
title = {Personalised Federated Learning On Heterogeneous Feature Spaces},
author = {Alain Rakotomamonjy and Maxime Vono and Hamlet Jesse Medina Ruiz and Liva Ralaivola},
journal= {arXiv preprint arXiv:2301.11447},
year = {2023}
}