面向联邦学习的个性化解释：一种虚拟概念方法
机器学习
2024-07-01 v1 分布式、并行与集群计算
摘要
非独立同分布（non-IID）数据是联邦学习研究中的开放性挑战。现有联邦学习方法，包括鲁棒联邦学习和个性化联邦学习，旨在改善模型性能，但未考虑对非IID数据跨客户端的解释。本文旨在设计一种新型联邦学习方法，以实现对非IID数据跨客户端的鲁棒性和可解释性。具体而言，我们将每个客户的数据集解释为由代表可解释概念的概念向量混合而成。这些概念向量可以是预定义的，或通过人类在环过程细化，或通过联邦学习系统的优化程序来学习。在可解释性之外，客户特定的个性化清晰度也可用于增强联邦学习系统中训练过程的鲁棒性。本文通过基准数据集验证了所提出方法的有效性。
引用
@article{arxiv.2406.19631,
title = {Personalized Interpretation on Federated Learning: A Virtual Concepts approach},
author = {Peng Yan and Guodong Long and Jing Jiang and Michael Blumenstein},
journal= {arXiv preprint arXiv:2406.19631},
year = {2024}
}