初识 Federated Learning

背景

• 设备中有很多数据，可以用来训练模型提高用户体验。但是数据通常是敏感或者庞大的。
  • 隐私问题
  • 数据孤岛：每个公司都有数据，淘宝有你的购买记录，银行有你的资金状况，它们不能把数据共享，都是自己训练自己有的数据，是一个个数据孤岛。

联邦学习的概念

• 联邦机器学习是一个机器学习框架，能有效帮助多个机构在满足用户隐私保护、数据安全和政府法规的要求下，进行数据使用和机器学习建模。
• 解决数据孤岛问题。
• 建立基于分布式数据集的机器学习模型。 跨越多个设备，同时防止数据泄漏。
• 像一个松散的联邦。每个客户端有自己的数据，自己训练，保持一定的独立性，但是又能共同建模。

We term our approach Federated Learning, since the learning task is solved by a loose federation of participating devices (which we refer to as clients) which are coordinated by a central server.

场景

联邦优化的特点

• 联邦优化：Federated Optimization, 隐含在联邦学习中的优化问题

• 与传统的分布式优化问题相比的特点：

  • Non-IID
  • Unbalanced
  • Massively distributed
  • Limited communication

  	分布式训练	联邦学习
  数据分布	集中存储不固定，可以任意打乱、平衡地分配给所有客户端	分散存储且固定，数据无法互通、可能存在数据的Non-IID（非独立同分布）
  节点数量	1~1000	\(1-10^{10}\)
  节点状态	所有节点稳定运行	节点可能不在线
  决策权	工作节点没有决策权，都由中央节点控制	本地数据有完全自治权，可以决定何时加入联邦学习

联邦优化的一个经典算法FedAvg

FedAvg 流程

• Client selection：server选一些符合条件的客户端。ex: 有wifi、空闲和连接了电源以避免影响用户对客户端的使用。
• Broadcast：被选中的客户端从server下载最新的模型参数和训练程序。
• Client computation：每个选中的客户端利用本地的数据计算并更新模型。
• Aggregation：server收集各个客户端的更新并汇总。 为了更高效，一旦达到了足够数量，Stragglers可能会被放弃。
• Model update：server更新本地的模型。

Communication-efficiency

Local Updating

• 可以减少通信的总轮数

Compression Schemes

• 模型压缩方案（如稀疏化、子采样和量化）可以显著减少每轮通信的消息大小。

Decentralized Training

• 在数据中心环境中，当在低带宽或高延迟的网络上操作时，去中心化训练被证明比中心化训练更快；
• 在联邦学习中，去中心化算法理论上可以降低中央服务器上的高通信成本

Robust

• 现代机器学习系统比较容易受到各种错误的影响。
• 非恶意性错误
  • 预处理流程中的漏洞
  • 噪音过强的训练标签
  • 不可靠的用户
• 旨在破坏系统训练过程和部署流程的显示攻击

参考文献

• 网络资源
• Communication-EfficientLearningofDeepNetworks fromDecentralizedData
• Federated Machine Learning: Concept and Applications
• Advances and Open Problems in Federated Learning
• Federated Learning: Challenges, Methods, and Future Directions

标签：训练,Federated,初识,Learning,联邦,数据,节点,客户端
来源： https://www.cnblogs.com/xuwanwei/p/13130196.html