论文:《Improving federated learning personalization via model agnostic meta learning》
Citation:Y. Jiang, J. Konecny, K. Rush, and S. Kannan, “Improving federated learning personalization via model agnostic meta learning,” arXiv preprint arXiv:1909.12488, 2019.
原文链接:https://arxiv.org/abs/1909.12488
0、摘要
联邦学习 FL:在不复制原始数据的情况下,基于去中心化数据存储学习高质量的全局模型。
动机:针对不同的设备(客户端),存在数据异构性。
目的:为每一个客户端,设计一个个性化全局模型。
提出方法:基于元学习模型(MAML:快速优化、基于梯度、适应于异构分布)
1)流行的联邦学习算法(联邦学习 FedAvg)可以解释为一种元学习算法;
2)微调可以得到精度更高的全局模型,同时也更容易进行个性化;但仅对全局模型优化会产生较弱的个性化结果。
1、介绍
使用联邦学习的原因:大规模数据集导致了隐私风险,联邦算法可以保护每