SplitEasy:一种在移动设备上训练机器学习模型的实用方法
机器学习
2021-02-01 v2 密码学与安全
机器学习
摘要
现代移动设备虽然资源丰富,但在没有服务器协助的情况下无法训练最先进的机器学习模型,而服务器可能需要访问潜在的隐私敏感用户数据。分裂学习最近作为一种在低功耗移动设备上训练复杂深度学习(DL)模型的有前景的技术而出现。该技术的核心思想是在移动设备上训练DL模型的敏感层,同时将计算密集型层卸载到服务器。尽管已有大量工作在模拟环境中探索了分裂学习的有效性,但用于此目的的可用的工具包尚不存在。在这项工作中,我们指出了开发一个在移动设备上训练ML模型而不将原始数据传输到服务器的功能框架所必须解决的理论和技术挑战。针对这些挑战,我们提出了SplitEasy,一个使用分裂学习在移动设备上训练ML模型的框架。利用SplitEasy提供的抽象,开发者只需进行最小修改即可在分裂学习设置下运行各种DL模型。我们提供了SplitEasy的详细解释,并使用六个最先进的神经网络进行实验。我们展示了SplitEasy如何能够训练无法仅由移动设备训练的模型,同时对每个数据样本产生近乎恒定的时间开销。
引用
@article{arxiv.2011.04232,
title = {SplitEasy: A Practical Approach for Training ML models on Mobile Devices},
author = {Kamalesh Palanisamy and Vivek Khimani and Moin Hussain Moti and Dimitris Chatzopoulos},
journal= {arXiv preprint arXiv:2011.04232},
year = {2021}
}
备注
7 pages, 4 figures, Accepted at the ACM HotMobile workshop