（阅读笔记）联邦可视化框架

联邦可视化框架是联邦学习框架在可视化领域的拓展应用，能够在不进行数据整合的情况下，数据不离开客户端本地，针对具体任务和特定场景进行加密训练，得出反映全体数据特征的可视化模型。

数据的全面与否将直接影响数据可视化分析结果的准确性。

可视化模型

将数据信息映射成可视化元素。

可视化元素组成：可视化空间、标记和视觉通道。

数据由属性和值构成，属性与标记对应，值与视觉通道对应。

标记是数据属性到可视化元素的映射，用以直观地表示数据的属性归类；视觉通道是数据属性的值到标记的视觉呈现参数的映射，用于控制标记的视觉特征。

联邦可视化框架

1. 数据预处理：统一数据表示，地理网格索引 $\to$ 数据点计数。
2. 初始模型分发：Server 端初始化一个模型 M_fed，将参数发送至各个企业。
3. 加密模型训练：各个企业获取 Server 端发来的参数，根据本地数据计算梯度值，并加密发送给 Server 端。Server 端对各个企业发来的梯度值进行加权平均，更新参数后再次发送给各个企业。
4. 可视图表绘制。经过多次迭代，模型逐渐精确。推理阶段，在各个企业本地，对于 n × m 的地理网格，每个网格的搜索索引作为模型 M_fed的输入，可以得到对应网格的数据点统计量，进而可以可视化表示。
   

联邦学习面临挑战

• 研究方向：目前联邦学习的研究方向主要包括简化通信机制、增强隐私安全、优化联邦（平均）算法及适配各种应用场景等。
• 挑战：

1. 服务器端在获取用户的训练参数的过程中, 如何保证用户隐私安全?
2. 用户本地的训练数据和计算过程对服务器端不可见, 如何在服务器端有效地过滤低质量的用户和抵御用户的恶意攻击?
3. 传统的分布式学习基于独立同分布数据的假设, 而联邦学习中各用户数据集为非独立同分布, 如何直观地展现联邦学习的训练过程和模型效果?
4. 各用户与协作服务器同步地执行联邦训练，需要管理每轮参与迭代的用户、及时响应用户状态变化以及确保学习任务的一致性，需要设计高效的通信机制。异步？

• 解决方案期待下一次更新。
  

参考文献

1. 联邦可视化：一种隐私保护的可视化新模型，智能科学与技术学报，2019.
2. 联邦学习可视化: 挑战与框架，计算机辅助设计与图形学学报，2020.