聯邦學習
外觀
此條目可參照英語維基百科相應條目來擴充。 (2021年4月12日) |
聯邦學習是一種機器學習技術,具體來說就是人們在多個擁有本地資料樣本的分散式邊緣裝置或伺服器上訓練演算法。這種方法與傳統的集中式機器學習技術有顯著不同,傳統的集中式機器學習技術將所有的本地資料集上傳到一個伺服器上,而更經典的分散式方法則通常假設本地資料樣本都是相同分布的。聯合學習使多個參與者能夠在不共享資料的情況下建立一個共同的、強大的機器學習模型,從而可以解決資料隱私、資料安全、資料存取權限和異構資料訪問等關鍵問題。
聯合平均(FedAvg)是 FedSGD 的泛化,允許本地節點對本地資料進行多次批次更新,並交換更新的權重而不是梯度。此外,對來自相同初始化的調整權重進行平均並不一定會損害所得平均模型的效能。儘管它很簡單,但它在現實環境中缺乏理論保證。
傳統的聯邦學習是基於每個worker裝置(節點)的梯度下降:在每一輪中,每個worker通過其本地資料集在本地多次更新其梯度下降權重,然後中央節點聚合器對權重進行平均所有工人,並再次分配給工人。對多輪重複上述過程。這種方法的主要缺點是效率低。眾所周知,由於頻繁的梯度傳輸導致的高通訊開銷會減慢 FL。為了減輕通訊開銷,已經研究了兩種主要技術:(i)表徵通訊和計算之間權衡的權重的本地更新和(ii)表徵通訊和精度之間權衡的梯度壓縮。[1].
參考文獻
[編輯]參照
[編輯]- ^ Khademi Nori Milad, Yun Sangseok, Kim Il-Min, Fast Federated Learning by Balancing Communication Trade-Offs (德文)
來源
[編輯]- 書籍
- Khademi Nori Milad, Yun Sangseok, Kim Il-Min, Fast Federated Learning by Balancing Communication Trade-Offs (2021). [1], [2] (頁面存檔備份,存於網際網路檔案館).
- Richard O. Duda, Peter E. Hart, David G. Stork (2001). 《模式分類》(第2版), New York: Wiley. ISBN 0-471-05669-3.
- MacKay, D. J. C. (2003). 《資訊理論、推理和學習演算法》 (頁面存檔備份,存於網際網路檔案館),劍橋大學出版社. ISBN 0-521-64298-1
- Mitchel.l, T. (1997). 《機器學習》, McGraw Hill. ISBN 0-07-042807-7