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
- 数据预处理:统一数据表示,地理网格索引 → \rightarrow → 数据点计数。
- 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。
- 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。
- 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:
- 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?
- 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?
- 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?
- 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
- 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.
- 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.