联邦学习总结

引言

：随着人工智能(AI)支持的智能服务和应用的普及，物联网(IoT)正在渗透到我们日常生活的许多方面。传统上，人工智能技术需要集中的数据收集和处理，但由于现代物联网网络的高可扩展性和日益增长的数据隐私问题，这在现实应用场景中可能不可行。联邦学习(FL)已经成为一种分布式协同人工智能方法，通过允许在分布式物联网设备上进行人工智能训练而不需要数据共享，它可以使许多智能物联网应用成为可能。

联邦学习(FL)的概念被提出用于构建智能和隐私增强的物联网系统。从技术上讲，FL是一种分布式协同AI方法，它允许通过与中央服务器协调多个设备进行数据训练，而不需要共享实际数据集。例如，多个物联网设备可以充当workers，与聚合器(例如服务器)通信，以便在智能物联网网络中进行神经网络训练。更具体地说，聚合器首先启动一个带有学习参数的全局模型。每个worker从聚合器下载当前模型，通过使用其本地数据集，计算其模型更新(例如，通过随机梯度下降(SGD))，并将计算得到的本地更新卸载给聚合器。然后，该聚合器结合所有局部模型更新，构造一个新的改进全局模型。该聚合器利用分布式workers的计算能力，在最大限度减少用户隐私泄露的同时，提高了训练质量。最后，本地工作者从聚合器下载全局更新，并计算他们的下一个本地更新，直到全局培训完成。

凭借其创新的运营理念，

FL可以为物联网应用提供以下各种重要的好处

:

（1）数据隐私增强:在FL中，原始数据不需要在聚合器上进行训练。因此，最大限度地减少了用户敏感信息泄露给外部第三方，并提供了一定程度的数据隐私。随着越来越严格的数据隐私保护立法，如通用数据保护条例(GDPR)，隐私保护功能使FL成为构建智能和安全物联网系统的理想解决方案。
（2）低延迟网络通信:由于不需要将物联网数据传输到服务器，使用FL有助于减少数据卸载导致的通信延迟。作为回报，它还节省了数据训练中的网络资源，如频谱和传输功率。
（3）提高学习质量:通过从物联网设备的网络中吸引大量的计算资源和不同的数据集，FL有潜力提高整个训练过程的收敛速度，并实现更好的学习准确率，这可能无法通过使用数据不足和计算能力受限的集中式人工智能方法来实现。

（1）联邦学习的关键概念

：物联网网络中的FL概念由两个主要实体组成:1.数据客户端，如物联网设备和位于基站(BS)或接入点(AP)的2.聚合服务器**，如下图所示。

一般的FL流程包括以下关键步骤

1)系统初始化和设备选择: 聚合器选择人类活动识别等物联网任务，并设置学习参数，如学习速率和通信轮数。还选择了一个参与FL过程的物联网设备子集。此选择的几个可能的选择因素可以是通道条件和每个物联网设备的本地更新的重要性。
2)分布式本地训练和更新：培训配置完成后，服务器初始化一个新的模型，即WG^0，传输到IoT客户端，开始分布式训练。每个客户端k使用自己的数据集Dk训练一个本地模型，并通过最小化损失函数F(wk)计算一个更新wk:

这里，损失函数对于不同的FL算法可以是不同的。例如，对于一组输入-输出!

线性回归FL模型的损失函数F可以被定义为：

然后，每个客户机k将其计算的更新wk上传到服务器以进行聚合。
3)模型聚合和下载 : 从本地客户端收集所有模型更新后，服务器将其聚合并计算出一个新的全局模型版本为

通过求解以下优化问题:

这里，损失函数F反映了FL算法的准确性，例如基于FL的对象分类任务的准确性。此外，约束(C1)确保所有客户端和服务器在每个培训轮后在FL任务上共享相同的学习模型。模型派生之后，服务器将新的全局更新wG广播给所有客户端，以便在下一轮学习中优化本地模型。迭代FL过程，直到全局损失函数收敛或达到期望的精度。

（2）FL的分类

:回顾了FL算法在物联网中的最新进展，我们将FL分为两个关键维度，即数据分区和网络结构。
数据分区：根据训练数据在样本和特征空间上的分布情况，可以将这类学习分为水平FL、垂直FL和联邦迁移学习三个小类。

网络结构:从网络的角度来看，这类可分为两小类，集中式FL和分散式FL。
集中式联邦学习是在FL-IoT系统中最流行的FL架构之一，当与服务器的通信不可用或网络拓扑高度可伸缩时，分散式联邦学习（DFL）被设计为完全或部分替代集中式联邦学习(CFL)。
由于现代特性，DFL可以与基于P2P的通信技术如区块链集成，构建分散的FL系统。这样，DFL客户端可以通过区块链账本进行通信，其中模型更新可以卸载到区块链，以进行安全模型交换和聚合。

FL的安全和隐私问题：

尽管FL可以为学习过程中不需要共享原始物联网数据的分布式物联网系统提供隐私保护，但FL仍然存在一些来自学习客户端和服务器端的安全和隐私漏洞。例如，在客户端，对手可以修改数据特征或在原始数据集中注入不正确的数据子集，在模型中嵌入后门，目的是调整本地客户端的训练目标。这也被称为后门中毒攻击，它也会在客户端卸载到服务器之前毒害本地模型更新。同时，中央服务器可能会污染聚合的局部更新，并部署攻击者在几次迭代中从梯度中窃取训练数据，因为权重的梯度是学习层和特征错误的内部乘积。因此，全局更新会暴露出关于局部训练数据的额外的个人特征信息，从而对用户的隐私构成风险。
差分隐私 、或、虚拟，可用于保护训练数据集不受数据泄露的影响，方法是用复杂的数学解构造复合定理。例如，差分隐私通过在神经网络层的梯度中插入人工噪声(如高斯噪声)来保护训练数据和隐藏的个人信息不受外部威胁，同时保证收敛性。这种解决方案将确保服务器或恶意用户无法从接收到的任何辅助信息和攻击下的消息中获取更多的用户样本信息。

FL-IoT的通信和学习收敛问题解决方案：

1、提出高效的通信协议，该协议能够压缩上行和下行通信，同时对不断增加的客户端数量和数据分布保持较高的鲁棒性；
2、通过组合使用稀疏化、三联化、错误积累和最优Golomb编码技术来实现上行压缩，并在不影响学习收敛的情况下加快全球服务器的并行训练。
3、提出了一种新的基于FL的物联网网络优化算法FetchSGD，该算法可以训练高质量的模型以提高通信效率。
4、提出了一种新的FL设计，称为动量联邦学习。与传统的一阶梯度下降算法相比，在中心服务器上集成了动量梯度下降(MGD)方法，以减少因优化学习参数而产生的损失函数。

FL-IoT中的资源管理:
1、提出了一种移动设备上的资源感知FL体系结构，该体系结构通过考虑计算资源的信息来训练神经网络；
2、提出了一种软训练技术。这可以通过允许他们在局部训练阶段屏蔽特定数量的资源密集型神经元来部分训练模型，但在参数聚集阶段恢复，而不影响整个模型的收敛，能加快对计算能力较弱的掉队者的训练；

在物联网传感器上部署AI学习功能的可行性：
1、提高AI硬件在物联网传感器上的使用，一种基于软件的深度学习加速器，以支持移动硬件上的AI/DL训练。其关键思想是使用一组异构处理器(例如，GPUs)，其中每个计算单元利用不同的计算资源来处理DL模型的不同推理阶段。；
2、提出了一种名为Tiny TL (Tiny TL)的方案，用于高效记忆的设备上传感器学习。TinyTL在只学习偏置模块时冻结了权重，因此不需要存储中间激活，从而减少了内存占用。为了弥补容量损失，集成了一个内存有效偏置模块，该模块通过细化特征提取器的中间特征映射，以较小的内存开销提高模型容量。

规格标准：
未来智能网络中垂直FL-IoT用例的引入对当前移动网络的架构进行了重大更改，以同时支持各种严格的需求(例如自动驾驶、电子医疗保健等)。在这种情况下，由于依赖边缘/云分析服务器和边缘物联网通信协议等其他重要计算服务，网络标准和元素在大规模部署FL-IoT生态系统中将发挥着重要作用。

附:

参考文献

Dinh C. Nguyen, Ming Ding, Pubudu N. Pathirana, Aruna Seneviratne,Jun Li, and H. Vincent Poor, "Learning for Internet of Things:A Comprehensive Survey,"arXiv:2104.07914v1,16 Apr 2021.