迈向联邦长尾学习
机器学习
2022-07-01 v1 人工智能
分布式、并行与集群计算
摘要
数据隐私与类别不平衡在许多机器学习任务中是常态而非例外。近期已有尝试，一方面解决从普遍存在的私有数据学习的问题，另一方面从长尾数据学习。然而，在实际应用中两者假设可能同时成立，而同时缓解这两类问题的有效方法尚在开发中。本文关注在流行的隐私保护联邦学习（FL）框架下、具有长尾（LT）数据分布的学习。我们刻画了 FL 框架中三种具有不同局部或全局长尾数据分布的场景，并强调相应挑战。不同场景下的初步结果表明，开展大量未来工作对于更好地解决所刻画的联邦长尾学习任务具有高度必要性。
引用
@article{arxiv.2206.14988,
title = {Towards Federated Long-Tailed Learning},
author = {Zihan Chen and Songshang Liu and Hualiang Wang and Howard H. Yang and Tony Q. S. Quek and Zuozhu Liu},
journal= {arXiv preprint arXiv:2206.14988},
year = {2022}
}
备注
Accepted by International Workshop on Trustworthy Federated Learning in Conjunction with IJCAI 2022 (FL-IJCAI'22)