面向跨机构场景的实用单次联邦学习
机器学习
2021-05-21 v2 机器学习
摘要
联邦学习使多个参与方能够在不交换数据的情况下协作学习模型。虽然大多数现有联邦学习算法需要多轮才能收敛，但单次联邦学习（即仅进行单次通信轮的联邦学习）是一种有前景的方法，可使联邦学习在实际的跨机构（cross-silo）场景中适用。然而，现有的单次算法仅支持特定模型且不提供任何隐私保证，这极大限制了实际应用。在本文中，我们提出一种名为 FedKT 的实用单次联邦学习算法。通过利用知识迁移技术，FedKT 可应用于任何分类模型，并能灵活实现差分隐私保证。我们在多种任务上的实验表明，FedKT 以单次通信轮显著优于其他最先进的联邦学习算法。
引用
@article{arxiv.2010.01017,
title = {Practical One-Shot Federated Learning for Cross-Silo Setting},
author = {Qinbin Li and Bingsheng He and Dawn Song},
journal= {arXiv preprint arXiv:2010.01017},
year = {2021}
}