前言

題目： Survey of Personalization Techniques for FederatedLearning

會議： 2020 Fourth World Conference on Smart Trends in Systems, Security and Sustainability (WorldS4)

論文地址：Survey of Personalization Techniques for FederatedLearning

前面講到，客戶端由于本地?cái)?shù)據(jù)不足，無法通過自己的數(shù)據(jù)訓(xùn)練得到一個(gè)較好的模型，因此客戶端需要參與聯(lián)邦學(xué)習(xí)來獲得一個(gè)全局共享模型。但由于各個(gè)客戶端間數(shù)據(jù)的非獨(dú)立同分布，全局模型在某些客戶端上表現(xiàn)可能并不好，并且如果客戶端自己擁有足夠數(shù)據(jù)，他們是否還有必要參與聯(lián)邦學(xué)習(xí)呢？

在這種情況下，個(gè)性化聯(lián)邦學(xué)習(xí)應(yīng)運(yùn)而生。所謂個(gè)性化，是指對全局共享模型進(jìn)行改進(jìn)，改進(jìn)后的模型相比于全局模型和本地模型，可能更適合客戶端。

本文主要總結(jié)了七種個(gè)性化技術(shù)：添加用戶上下文、遷移學(xué)習(xí)、多任務(wù)學(xué)習(xí)、元學(xué)習(xí)、知識蒸餾、基礎(chǔ)+個(gè)性化層、全局模型和本地模型混合。其中有一些技術(shù)后期會有專門的論文解讀來對其進(jìn)行介紹。

摘要

聯(lián)邦學(xué)習(xí)通常為所有客戶端生成一個(gè)全局共享模型，但由于數(shù)據(jù)在設(shè)備間的非IID分布，統(tǒng)計(jì)上的異質(zhì)性經(jīng)常導(dǎo)致這樣的情況：對于一些客戶來說，僅根據(jù)其私有數(shù)據(jù)訓(xùn)練的本地模型比全局共享模型表現(xiàn)更好。目前已經(jīng)提出了一些技術(shù)來個(gè)性化全局模型，以便更好地為個(gè)人客戶工作，本文調(diào)查了最近關(guān)于這一主題的研究。

I. 引言

許多數(shù)據(jù)集本質(zhì)上是分散的，在聯(lián)邦學(xué)習(xí)中，這些數(shù)據(jù)分布在各個(gè)客戶端。傳統(tǒng)的機(jī)器學(xué)習(xí)將這些客戶端的數(shù)據(jù)樣本聚集到一個(gè)中央存儲庫中，并在此基礎(chǔ)上訓(xùn)練機(jī)器學(xué)習(xí)模型。將數(shù)據(jù)從本地設(shè)備轉(zhuǎn)移到中央存儲庫帶來了兩個(gè)關(guān)鍵挑戰(zhàn)。首先，它損害了數(shù)據(jù)的隱私性和安全性。其次，它增加了通信開銷。作為一種解決方案，聯(lián)邦學(xué)習(xí)使多個(gè)用戶(即客戶端)能夠在他們的集體數(shù)據(jù)上協(xié)作地訓(xùn)練出一個(gè)共享的全局模型，而無需將數(shù)據(jù)從本地設(shè)備中移動。

客戶端參與聯(lián)邦學(xué)習(xí)的主要動機(jī)是獲得更好的模型。客戶端如果沒有足夠的私人數(shù)據(jù)來開發(fā)準(zhǔn)確的本地模型，就可以從聯(lián)邦學(xué)習(xí)的模型中獲益。然而，對于有足夠私人數(shù)據(jù)來訓(xùn)練準(zhǔn)確的本地模型的客戶來說，參與聯(lián)邦學(xué)習(xí)是否有好處是有爭議的。對于許多應(yīng)用程序來說，跨客戶端的數(shù)據(jù)分布是非IID的，這種統(tǒng)計(jì)上的異質(zhì)性使得很難訓(xùn)練出適用于所有客戶的全局共享模型。

本文的目的是調(diào)查最近關(guān)于在聯(lián)邦學(xué)習(xí)環(huán)境中為客戶建立個(gè)性化模型的研究，這些模型預(yù)期比全局共享模型或本地個(gè)體模型表現(xiàn)更好。

II. 個(gè)性化需求

Wu等人總結(jié)了聯(lián)邦學(xué)習(xí)系統(tǒng)在個(gè)性化方面面臨的三個(gè)挑戰(zhàn)：

存儲、計(jì)算和通信能力方面的設(shè)備異質(zhì)性。數(shù)據(jù)非IID分布導(dǎo)致的數(shù)據(jù)異質(zhì)性。模型異質(zhì)性：不同的客戶需要針對其環(huán)境定制模型的情況。

為了應(yīng)對數(shù)據(jù)的統(tǒng)計(jì)異質(zhì)性和非IID分布所帶來的挑戰(zhàn)，需要對全局模型進(jìn)行個(gè)性化處理，大多數(shù)個(gè)性化技術(shù)通常包含兩個(gè)離散的步驟：

以協(xié)作的方式建立一個(gè)全局模型。使用客戶端的私有數(shù)據(jù)來個(gè)性化全局模型。

為了使聯(lián)邦學(xué)習(xí)個(gè)性化在實(shí)踐中有用，以下三個(gè)目標(biāo)必須同時(shí)解決，而不是獨(dú)立解決：

開發(fā)改進(jìn)的個(gè)性化模型，使大多數(shù)客戶受益。開發(fā)一種準(zhǔn)確的全局模式，使那些私人數(shù)據(jù)有限的客戶受益。在少量訓(xùn)練輪次內(nèi)實(shí)現(xiàn)模型快速收斂。

III. 方法

本節(jié)介紹為客戶端調(diào)整全局共享模型的方法。

A. 添加用戶上下文

如果客戶的上下文和個(gè)人信息被適當(dāng)?shù)靥卣骰⒓{入數(shù)據(jù)集，共享的全局模型也可以生成高度個(gè)性化的預(yù)測。然而，大多數(shù)公共數(shù)據(jù)集并不包含上下文特征，開發(fā)有效整合上下文的技術(shù)仍然是一個(gè)重要的開放問題。

作為單個(gè)全局模型和純本地模型之間的一種中間方法，Masour等人提出了用戶聚類的建議，將類似的客戶端分組在一起，并為每個(gè)組訓(xùn)練一個(gè)單獨(dú)的模型。

B. 遷移學(xué)習(xí)

遷移學(xué)習(xí)使深度學(xué)習(xí)模型能夠利用解決一個(gè)問題時(shí)獲得的知識來解決另一個(gè)相關(guān)問題。

在一些論文中提供了一個(gè)具有泛化保證的學(xué)習(xí)理論框架：遷移學(xué)習(xí)利用經(jīng)過訓(xùn)練的全局模型的參數(shù)對局部數(shù)據(jù)進(jìn)行初始化訓(xùn)練，從而利用全局模型提取的知識，而不是從頭學(xué)習(xí)。為了避免災(zāi)難性遺忘的問題，必須注意不要在本地?cái)?shù)據(jù)上對模型進(jìn)行過長時(shí)間的再訓(xùn)練。我們可以采用一種變體技術(shù)凍結(jié)全局模型的基礎(chǔ)層，并僅在局部數(shù)據(jù)上重新訓(xùn)練最頂層。

C. 多任務(wù)學(xué)習(xí)

在多任務(wù)學(xué)習(xí)中，同時(shí)解決多個(gè)相關(guān)任務(wù)，使得模型可以通過聯(lián)邦學(xué)習(xí)來挖掘任務(wù)之間的共性和差異。Smith等人的研究表明，多任務(wù)學(xué)習(xí)是建立個(gè)性化聯(lián)邦模型的自然選擇，他們在聯(lián)邦設(shè)置中開發(fā)了用于多任務(wù)學(xué)習(xí)的MOCHA算法，以解決與通信、掉隊(duì)和容錯(cuò)相關(guān)的挑戰(zhàn)。在聯(lián)邦設(shè)置中使用多任務(wù)學(xué)習(xí)的一個(gè)缺點(diǎn)是，由于它為每個(gè)任務(wù)生成一個(gè)模型，因此所有客戶端都必須參與每一輪。

D. 元學(xué)習(xí)

元學(xué)習(xí)中需要對多個(gè)學(xué)習(xí)任務(wù)進(jìn)行訓(xùn)練，以生成高適應(yīng)性的模型，這些模型可以通過少量的訓(xùn)練實(shí)例進(jìn)一步學(xué)習(xí)解決新任務(wù)。Finn提出了一種模型無關(guān)的元學(xué)習(xí)(MAML)算法，該算法與使用梯度下降訓(xùn)練的任何模型都兼容。MAML構(gòu)建一個(gè)通常適用于多個(gè)任務(wù)的內(nèi)部表示，因此為新任務(wù)微調(diào)頂層可以產(chǎn)生良好的結(jié)果。

MAML分兩個(gè)階段進(jìn)行：元訓(xùn)練和元測試。元訓(xùn)練在多個(gè)任務(wù)上構(gòu)建全局模型，而元測試則針對不同的任務(wù)分別調(diào)整全局模型。如果我們將聯(lián)邦學(xué)習(xí)過程視為元訓(xùn)練，將個(gè)性化過程視為元測試，那么FedAVG就與一種流行的MAML算法Reptile非常相似。

E. 知識蒸餾

一些研究證明，可以將一個(gè)模型集合的知識壓縮成一個(gè)更容易部署的模型。知識蒸餾通過讓學(xué)生模仿教師，將一個(gè)大型教師網(wǎng)絡(luò)中的知識提取到一個(gè)較小的學(xué)生網(wǎng)絡(luò)中。在個(gè)性化過程中，過度擬合是一個(gè)重要的挑戰(zhàn)，特別是對于本地?cái)?shù)據(jù)集較小的客戶。鑒于此，Yu提出將全局共享模型作為教師，將個(gè)性化模型作為學(xué)生，這樣就可以減輕個(gè)性化過程中過擬合的影響。Li等人提出了FedMD，這是一個(gè)基于知識蒸餾和遷移學(xué)習(xí)的聯(lián)邦學(xué)習(xí)框架，允許客戶使用本地私有數(shù)據(jù)集和全局公共數(shù)據(jù)集獨(dú)立設(shè)計(jì)自己的網(wǎng)絡(luò)。

F. 基礎(chǔ)+個(gè)性化層

為了緩解各個(gè)客戶端數(shù)據(jù)分布差異的影響，一些人提出了FedPer：一種神經(jīng)網(wǎng)絡(luò)體系結(jié)構(gòu)，其中基礎(chǔ)層通過FedAvg進(jìn)行集中訓(xùn)練，而頂層(也稱為個(gè)性化層)通過梯度下降的變體進(jìn)行局部訓(xùn)練。

FedPer與遷移學(xué)習(xí)的不同：

在遷移學(xué)習(xí)中，所有層首先在全局?jǐn)?shù)據(jù)上訓(xùn)練，然后在局部數(shù)據(jù)上重新訓(xùn)練所有或部分層。FedPer在全局?jǐn)?shù)據(jù)上訓(xùn)練基礎(chǔ)層，在局部數(shù)據(jù)上訓(xùn)練個(gè)性化層。

G. 全局模型和本地模型混合

為了尋求全局模型和本地模型間的權(quán)衡，每個(gè)客戶端學(xué)習(xí)到的應(yīng)該不是單一的全局模型，而是全局模型和它自己的本地模型的混合。為了解決這一問題，Hanzely提出了一種新的梯度下降法——無環(huán)局部梯度下降法(LLGD)。LLGD只采取步驟求平均，而不是執(zhí)行完全平均。

IV. 總結(jié)

聯(lián)邦學(xué)習(xí)中，當(dāng)本地?cái)?shù)據(jù)集很小且數(shù)據(jù)分布為IID時(shí)，全局模型通常優(yōu)于本地模型，并且大多數(shù)客戶端都能從參與聯(lián)邦學(xué)習(xí)過程中受益。但是，當(dāng)客戶端有足夠多的私有數(shù)據(jù)集且數(shù)據(jù)分布為非IID時(shí)，本地模型通常比共享的全局模型表現(xiàn)出更好的性能，那么客戶端就沒有參與聯(lián)邦學(xué)習(xí)的動機(jī)。

鑒于此，我們有必要對客戶端建立個(gè)性化模型，這些模型預(yù)期比全局共享模型或本地個(gè)體模型表現(xiàn)更好。

以上就是知識蒸餾聯(lián)邦學(xué)習(xí)的個(gè)性化技術(shù)綜述的詳細(xì)內(nèi)容，更多關(guān)于聯(lián)邦學(xué)習(xí)的資料請關(guān)注腳本之家其它相關(guān)文章！

最新評論