NeurIPS2022,论文原名《A Practical Data-Free Approach to One-shot Federated Learning with Heterogeneity》 。文中提出了一种新颖的两阶段无数据一次性联合学习(DENSE)框架,该框架通过数据生成阶段和模型蒸馏阶段来训练全局模型。在第一阶段,利用集成模型(即客户端上传的本地模型的集成)来训练生成器,生成器可以生成用于第二阶段训练的合成数据。在第二阶段,将集成模型的知识提炼为全局模型。
贡献
提出一种无数据一次性蒸馏FL框架(DENSE),由数据生成和模型蒸馏两阶段构成。具有以下优点:1)通讯传输只传模型参数;2)不需要辅助数据集;3)支持模型异构;4)可与本地训练优化技术兼容
算法流程
如图所示,由生成和蒸馏两部分构成。先正常得到本地模型和全局模型,在server端用ensemble方式整合客户端模型,固定所有分类模型更新生成器;得到合适的生成器后,固定生成器和ensemble训练global模型。