【AAAI2021】非独立同分布下的自分组个性化联邦学习

联邦学习 机制以其独有的隐私保护机制受到很多拥有高质量数据的客户青睐。通过 联邦学习 ，能有效地打破数据孤岛，使数据发挥更大的作用，实现多方客户在保证隐私的情况下共赢。但与此同时，在实际应用中各个客户的数据分布非常不一致，对模型的需求也不尽相同，这些在很大程度上制约了传统 联邦学习 方法的性能和应用范围。为此, 在客户数据分布不一致的情况下如何提高模型的鲁棒性成为了当前学术界与工业界对 联邦学习 算法优化的核心目标，希望通过 联邦学习 得到的模型能满足不同客户的需求。 

传统的 联邦学习 的目的是为了获得一个全局共享的模型，供所有参与者使用。但当各个参与者数据分布不一致时，全局模型却无法满足每个 联邦学习 参与者对性能的需求，有的参与者甚至无法获得一个比仅采用本地数据训练模型更优的模型。这大大降低了部分用户参与 联邦学习 的积极性。

为了解决上述问题，让每个参与方都在 联邦学习 过程中获益，个性化 联邦学习 在最近获得了极大的关注。与传统 联邦学习 要求所有参与方最终使用同一个模型不同，个性化 联邦学习 允许每个参与方生成适合自己数据分布的个性化模型。为了生成这样的个性化的模型，常见的方法是通过对一个统一的全局模型在本地进行定制化。而这样的方法仍然依赖一个高效可泛化的全局模型，然而这样的模型在面对每个客户拥有不同分布数据时经常是可遇而不可求的。

为此， 华为 云 EI 温哥华大数据与人工智能实验室自研了一套个性化 联邦学习 框架 FedAMP。该框架使用独特的自适应分组学习机制，让拥有相似数据分布的客户进行更多的合作，并对每个客户的模型进行个性化定制，从而有效地处理普遍存在的数据分布不一致问题，并大幅度提高 联邦学习 性能。

https://www.zhuanzhi.ai/paper/61491429b7484d2c06987fe4163f273e

专知便捷查看

便捷下载，请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“PCFL” 可以获取《【AAAI2021】非独立同分布下的自分组个性化联邦学习》专知下载链接索引

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎注册登录专知www.zhuanzhi.ai，获取5000+AI主题干货知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程资料和与专家交流咨询！

点击“ 阅读原文 ”，了解使用 专知 ，查看获取5000+AI主题知识资源