WrapperFL：一种面向工业联邦学习的模型无关插件
机器学习
2022-08-04 v2 人工智能
分布式、并行与集群计算
摘要
联邦学习作为一种隐私保护的协作机器学习范式，在工业界正受到越来越多的关注。随着需求的急剧增长，已出现许多联邦学习平台，允许联邦参与方从零开始搭建和构建联邦模型。然而，现有平台具有高度侵入性、复杂性，且难以与已构建的机器学习模型集成。对于许多已拥有成熟服务模型的现实业务，现有联邦学习平台存在较高的准入壁垒与开发成本。本文受集成学习启发，提出了一种简单而实用的联邦学习插件 WrapperFL，使参与方能以最小代价基于现有模型构建或加入联邦系统。WrapperFL 以即插即用方式工作，仅需附着于现有模型的输入与输出接口，无需重新开发，显著降低了人力与资源开销。我们在异构数据分布与异构模型下的多种任务上验证了所提方法。实验结果表明，WrapperFL 可成功应用于实际场景中的广泛任务，并以低成本通过联邦学习提升本地模型。
引用
@article{arxiv.2206.10407,
title = {WrapperFL: A Model Agnostic Plug-in for Industrial Federated Learning},
author = {Xueyang Wu and Shengqi Tan and Qian Xu and Qiang Yang},
journal= {arXiv preprint arXiv:2206.10407},
year = {2022}
}
备注
FL-IJCAI'22 Accepted Paper