基于最坏情形鲁棒优化理论的联邦学习表示
机器学习
2019-12-13 v1 分布式、并行与集群计算
机器学习
摘要
联邦学习（FL）是一种分布式学习方法，其中一组终端用户设备通过作用于其孤立的本地数据集来参与学习过程。在此，我们处理用户的本地数据集，利用最坏情形优化理论重新表述 FL 问题，其中训练阶段本地数据集的影响被视为一个有界于封闭不确定区域内的不确定函数。这种表示使我们能够比较 FL 与其集中式对应方法的性能，并用保护函数的概念替代不确定函数，从而得到更易处理的表述。后者支持在 FL 的每个用户代价函数中应用正则化因子以达成更好性能。我们使用 MNIST 数据集针对保护函数参数（例如正则化因子）评估了我们的模型。
引用
@article{arxiv.1912.05571,
title = {Representation of Federated Learning via Worst-Case Robust Optimization Theory},
author = {Saeedeh Parsaeefard and Iman Tabrizian and Alberto Leon Garcia},
journal= {arXiv preprint arXiv:1912.05571},
year = {2019}
}