联邦学习中的个性化技术（Personalization）

最新推荐文章于 2024-06-05 09:42:58 发布

山科智能信息处理实验室

最新推荐文章于 2024-06-05 09:42:58 发布

阅读量302

点赞数

文章标签：人工智能

原文链接：https://zhuanlan.zhihu.com/p/354527722

版权

原文：[联邦学习]——Personalization技术

联邦学习中，由于数据的统计异构问题，用户间的隐私数据具有分散、Non-IID(非独立同分布)特性，每个用户本地的数据分布会随着用户所在地以及用户偏好而变动。反映在模型性能上的情况就是：Local models 的性能远高于 Global model 的精度。

原因很简单，模型的暴力聚合(FedAvg)并不是线性的求和，每个用户自身的模型参数仅适合本身的数据，而不同用户数据间的数据分布以及质量差距较大。

Personalization 技术的提出：由于用户数据的高度 Non-IID 以及用户对模型性能要求的不一致，单个的 Global model 很难满足所有参与者的需求，因此需要采用一种个性化的方法使得 Global model 针对每个用户进行优化。

挑战

不同设备的存储、计算、通信性能的差异(系统异构)
数据分布的不一致性(统计异构)
对不同环境、不同人物所需的模型不一致(模型异构)

目前的研究技术方法

多任务学习 ( Multi-task Learning )

在多任务学习中，模型通过利用任务之间的共性和差异来共同学习。通过共享相关联任务(related task / auxiliary task)的表示，能够提升原始任务(original task)的泛化性能。我们可以将多任务学习看成对人类学习过程的模仿，为了学习新任务，我们经常运用通过学习相关任务获得的知识。例如，第一个婴儿学会识别脸部，然后可以将这些知识应用于识别其他物体。

模型需要面对 $T$ 个任务，每个任务 $t$ 对应一个模型 $m_{t}$ 的参数表示为：

因此矩阵为 ,通过 L1 正则的方式来约束模型的参数量，删去了不太重要的模型参数。但是任务之间并非紧密相关，与无关任务共享信息实际上可能会损害性能(negative transfer), 因此加入了惩罚项: ，通过调节惩罚项 Ω 中 $\lambda$ 的值来对模型进行控制。

可以发现，多任务学习的核心是对模型的共享(share)和个性化(Personalization), 通过判别任务之间的相关性决定哪些 layer 应该共享，从而对模型的泛化能力进行改善。

但是在现实世界中可能事先不知道任务之间的关系，因此通过Multi-task Learning 的方法可以直接捕获Non-IID数据和模型之间的关系，这使其特别适合于解决联邦学习的统计异构(Statistical challenge)。

《Federated Multi-task Learning》在联邦学习环境中构建了一种 Personalized 模型，研究用于多任务学习的 MOCHA 算法来解决分布式系统中 Communication cost, straggler 和 fault tolerance 问题。

传统的多任务学习的损失函数：

其中：

$\Omega$ 和 $W$ 很难同时凸，而且公式的求解困难。
固定 $\Omega$ ， $W$ 的更新仅与数据 $X$ 相关，而数据 $X$ 分布在不同节点中，造成了困难。
固定 $W$ ， $\Omega$ 的更新仅依靠 $W$ ，与数据 $X$ 无关。

元学习 ( Meta-Learning )

元学习是一种 Learn to learn 的学习方式，通过训练使得模型结果对各类 Task 具有普适性。

目的是得到一个能对全局任务最优的 $F$ 能够使得

《Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks》提出 MAML（Model-Agnostic Meta-Learning）算法，目的是找到一组最适的初始化参数 $\phi$ ，使得在对新task时能够通过一轮梯度下降 fine-tune 得到较优的初始化模型参数 $\hat{\theta }$ 。

在 MAML 中，用来训练全局初始化模型 $\phi$ 的数据是很多组任务（training task），每个任务中也有训练数据（Support set）和测试数据（Query set）。

在每一次训练中，全局模型 $\phi$ 根据 Support set 的数据进行梯度下降得到 $\hat{\theta }^{i}$ ，将所有 training task 任务中计算的 loss 求和得到总 loss：

概括：MAML 将原本的随机初始化策略作为学习优化目标，通过取样一系列 task，根据 $\phi$ 得到适合本 task 的任务，再计算 loss 反向传播优化。

通过 meta-learning 的方式能够学到对任务不敏感、泛化能力强的策略，适合在 Personalization 方面做应用。

《Improving Federated Learning Personalization via Model Agnostic Meta Learning》、《Personalized Federated Learning: A Meta-Learning Approach 》、《Adaptive Gradient-Based Meta-Learning Methods》等文章在联邦学习不同方面给出了 Meta-learning 的尝试。

全局模型 + Personalization 层

这篇 ICML 2021 的《Exploiting Shared Representations for Personalized Federated Learning》算是比较典型的 Global model + personalized layer 的文章了，具体解读参考这篇链接。

传统 Centrailized learning 通过 Representative learning 训练能取得很好的效果。既然如此，能否对 Federated learning 中 Non-IID 的数据找到一个 Shared representatiion？

一种共享 global representation，个性化 client-heads 的模型更新方案

共享表示，将高维数据表示 map 到低维空间中；

个性化 head: ，将低维表示输出为结果；

训练过程中，每个用户共同训练该 global representation learning structure, 再用各自的数据训练自己的 client-special heads.

论文表示：由于 ，使得本地 client-special heads 需要训练的参数量很少，易于计算和拟合本地数据。

目标函数修改为：

算法具体流程：

算法主要有两处更新：

第一处是 client-special heads 的更新（算法流程里公式好像写错了）

第二处就是 shared representation 的更新

其中表示 learning rate 为 $\alpha$ , 经过 SGD 等方式对 f 的梯度计算更新 h.

基于 HyperNetwork 的个性化

本文设计了一种 centralized personalized federated hypernetwork (pFedHN) 的结构，通过 pFedHN 可以为每个用户生成 unique and diverse local model，而且因为 pFedHN 不需要传输 hypernetwork 的参数，所以 Communication cost 不需要考虑 model size 的影响。