XOR Mixup：用于一次性联邦学习的隐私保护数据增强
机器学习
2020-06-11 v1 密码学与安全
信号处理
摘要
用户生成的数据分布常跨设备与标签不平衡，损害了联邦学习（FL）的性能。为补救这一非独立同分布（non-IID）数据问题，本文中我们开发了一种基于隐私保护 XOR 的 mixup 数据增强技术，称为 XorMixup，并由此提出一种新颖的一次性 FL 框架， termed XorMixFL。核心思想是收集其他设备的编码数据样本，这些样本仅使用每设备自身的数据样本解码。解码提供了合成但真实的样本，直至诱导出用于模型训练的 IID 数据集。编码与解码过程均遵循按位 XOR 操作，其有意扭曲原始样本，从而保护数据隐私。仿真结果证实，在 non-IID MNIST 数据集下 XorMixFL 比 Vanilla FL 准确率高出至多 17.6%。
引用
@article{arxiv.2006.05148,
title = {XOR Mixup: Privacy-Preserving Data Augmentation for One-Shot Federated Learning},
author = {MyungJae Shin and Chihoon Hwang and Joongheon Kim and Jihong Park and Mehdi Bennis and Seong-Lyun Kim},
journal= {arXiv preprint arXiv:2006.05148},
year = {2020}
}