利用对抗图像改善非独立同分布数据的联邦学习结果
机器学习
2022-06-17 v1
摘要
联邦学习中的重要问题之一是如何处理不平衡数据。本文提出了一种新技术,旨在利用由 I-FGSM 方法生成的对抗输入来处理标签偏斜的非独立同分布(non-IID)数据。对抗输入引导训练过程,并允许加权联邦平均(Weighted Federated Averaging)赋予具有“选定”局部标签分布的客户端更高的重要性。本文报告并分析了在 MNIST 和 CIFAR-10 数据集上图像分类任务的实验结果。
引用
@article{arxiv.2206.08124,
title = {Using adversarial images to improve outcomes of federated learning for non-IID data},
author = {Anastasiya Danilenka and Maria Ganzha and Marcin Paprzycki and Jacek Mańdziuk},
journal= {arXiv preprint arXiv:2206.08124},
year = {2022}
}