UFed-GAN：一种具有受限计算与无标签数据的安全联邦学习框架
机器学习
2023-08-14 v1 信号处理
摘要
为满足在云环境中部署低延迟多媒体数据分类与数据隐私保护的广泛应用与迫切需求，联邦学习（FL）已成为一种重要的学习范式。针对许多无线通信应用中涉及有限计算能力且仅有无标签数据的实际场景，本工作研究了在资源受限与标签缺失环境下的 FL 范式。具体而言，我们提出一种新颖的 UFed-GAN 框架：无监督联邦生成对抗网络（Unsupervised Federated Generative Adversarial Network），其可在无本地分类训练的情况下捕获用户侧数据分布。我们还分析了所提 UFed-GAN 的收敛性与隐私性。实验结果表明，UFed-GAN 在解决有限计算资源与无标签数据问题的同时保护隐私方面具有强大潜力。
引用
@article{arxiv.2308.05870,
title = {UFed-GAN: A Secure Federated Learning Framework with Constrained Computation and Unlabeled Data},
author = {Achintha Wijesinghe and Songyang Zhang and Siyu Qi and Zhi Ding},
journal= {arXiv preprint arXiv:2308.05870},
year = {2023}
}