FedSyn: Synthetic Data Generation using Federated Learning

arxiv2022，没找到是哪个刊物的，是没投中吗？ 这篇是用GAN做数据生成，每个client都训练一个生成器，加噪声传到server端聚合，实验是衡量生成图片的质量。

论文地址：arxiv
code：没找到

贡献

提出了提出了一种新颖的方法（FedSyn ），将联邦学习、使用 GAN的合成数据生成和差分隐私（向模型参数添加拉普拉斯噪声）结合为一个框架。

算法流程

和FL的区别是任务不一样了，原来client的分类任务变成了数据生成任务，通讯的分类模型也变成了GAN模型，模型传输时还加上了噪声。

GAN

这一部分是用GAN训练出本地生成器。与传统的GAN一样，由判别器和生成器组成，判别器依旧是输出 真/假 二值，生成器由噪声生成图像。文章还把网络结构图贴了出来（不过GAN易崩溃的问题在这里没说，估计复现出文中效果很困难）。

Differential Privacy

这部分就是加噪声，在传输前和聚合时都加上了拉普拉斯噪声。其中 w 是本地生成器参数， p 是规模参数，L是拉普拉斯噪声。

与高斯噪声相比，使用拉普拉斯噪声优于高斯噪声所得模型参数在数量上失真较小。拉普拉斯噪声的隐私保证也更好。

疑问

1. 实验部分展示了生成器的效果，在mnist上面看起来还是不错的，也验证了不同拉普拉斯噪声系数取值时候的影响，但是估计在复杂图像上不太行。。

2. 实验时候的数据分割，同一类别的数据都放在一起了，这种数据异构？不是很符合场景。

3. 代码啊代码，之后看看其他生成的文章再复现这个吧