迈向个性化联邦学习
机器学习
2022-03-18 v3 人工智能
分布式、并行与集群计算
摘要
随着人工智能（AI）研究进展推动AI的快速应用，对数据隐私的意识和担忧日益增长。近期数据监管领域的重大发展促使了对隐私保护AI兴趣的剧烈转变。这促成了联邦学习（FL）的流行，其是在隐私保护方式下于数据孤岛上训练机器学习模型的主导范式。本综述探讨个性化联邦学习（PFL）领域，以解决FL在异构数据上的根本挑战，而异构性是所有真实世界数据集的普遍特征。我们分析了PFL的关键动机，并提出了一种独特的PFL技术分类法，依据PFL中的关键挑战与个性化策略进行分类。我们强调了其关键思想、挑战与机遇，并展望了面向新型PFL架构设计、现实PFL基准测试和可信PFL方法的 promising 未来研究路径。
引用
@article{arxiv.2103.00710,
title = {Towards Personalized Federated Learning},
author = {Alysa Ziying Tan and Han Yu and Lizhen Cui and Qiang Yang},
journal= {arXiv preprint arXiv:2103.00710},
year = {2022}
}
备注
Accepted by IEEE Transactions on Neural Networks and Learning Systems