可缩放联邦学习：面向具有不同输入图像尺寸与输出类别数的客户端
机器学习
2023-11-16 v1 密码学与安全
计算机视觉与模式识别
摘要
联邦学习是一种保护隐私的训练方法，由多个客户端训练但不共享其机密数据。然而，先前关于联邦学习的工作未探索适用于具有不同输入图像尺寸与不同输出类别数的客户端的神经网络架构。本文提出一种名为 ScalableFL 的有效联邦学习方法，其中每个客户端的局部模型的深度与宽度根据其输入图像尺寸与输出类别数进行调整。此外，我们给出了联邦学习泛化差距的一个新界。特别地，该界有助于解释我们可缩放神经网络方法的有效性。我们在图像分类与对象检测任务的若干异构客户端设定中展示了 ScalableFL 的有效性。
引用
@article{arxiv.2311.08716,
title = {Scalable Federated Learning for Clients with Different Input Image Sizes and Numbers of Output Categories},
author = {Shuhei Nitta and Taiji Suzuki and Albert Rodríguez Mulet and Atsushi Yaguchi and Ryusuke Hirai},
journal= {arXiv preprint arXiv:2311.08716},
year = {2023}
}
备注
15 pages, 1 figure, 2023 22nd International Conference on Machine Learning and Applications (ICMLA)