Data-Free Knowledge Distillation for Heterogeneous Federated Learning论文阅读+代码解析

最新推荐文章于 2024-01-16 22:44:53 发布

编程龙

最新推荐文章于 2024-01-16 22:44:53 发布

阅读量2.3k

点赞数 3

分类专栏：每日一次AI论文阅读文章标签：论文阅读联邦学习无数据知识蒸馏

本文链接：https://blog.csdn.net/qq_45478482/article/details/127513032

版权

每日一次AI论文阅读专栏收录该内容

42 篇文章 28 订阅

订阅专栏

论文地址点这里

一. 介绍

联邦学习具有广阔的应用前景，但面临着来自数据异构的挑战，因为在现实世界中用户数据均为Non-IID分布的。在这样的情况下，传统的联邦学习算法可能会导致无法收敛到各个客户端的数据。
在本文中，我们提出了一个基于无数据的知识蒸馏算法——FEDGEN。具体来说，FEDGEN学习一个仅从用户模型的预测规则派生的生成模型，给定一个目标标签，可以生成与用户预测集合一致的特征表示。该生成器随后广播给用户，在潜在空间上护送他们的模型训练与增强样本，这体现了来自其他同行用户的蒸馏知识。给定一个维数远远小于输入空间的潜在空间，FEDGEN学习到的生成器可以是轻量级的，为当前FL框架引入最小的开销。

二. 问题定义

我们使用 $\mathcal{X} \subset \mathbb{R}^p$ 表示为输入的实例空间 $\mathcal{Z} \subset \mathbb{R}^d$ 表示为潜在的特征空间，其中 $d < p$ , $\mathcal{Y} \subset \mathbb{R}$ 为输出空间。 $\mathcal{T}$ 表示为一个具体的域（domain），其由数据样本 $\mathcal{X}$ 组成的数据分布 $\mathcal{D}$ 和一个真实标签的函数： $c^*: \mathcal{X} \rightarrow \mathcal{Y}$ 组成，也就是 $\mathcal{T}:=\left\langle\mathcal{D}, c^*\right\rangle$ 。注意，在本文中将任务和域当作一样对待。模型参数 $\boldsymbol{\theta}:=\left[\boldsymbol{\theta}^f ; \boldsymbol{\theta}^p\right]$ 由两个部分组成：一个特征提取器 $\mathcal{X} \rightarrow \mathcal{Z}$ （对应参数为 $\boldsymbol{\theta}^f$ ）, 一个预测器 $\mathcal{Z} \rightarrow \triangle^{\mathcal{Y}}$ （由参数 $\boldsymbol{\theta}^p$ 组成），其中 $\Delta^{\mathcal{Y}}$ 表示单独的一个 $\mathcal{Y}$ 。给定一个凸的损失函数 $\triangle^{\mathcal{Y}} \times \mathcal{Y} \rightarrow \mathbb{R}$ , 模型参数 $\boldsymbol{\theta}$ 在任务 $\mathcal{T}$ 上的损失表示为 $\mathcal{L}_{\mathcal{T}}(\boldsymbol{\theta}):=$ $\mathbb{E}_{x \sim \mathcal{D}}\left[l\left(h\left(f\left(x ; \boldsymbol{\theta}^f\right) ; \boldsymbol{\theta}^p\right), c^*(x)\right)\right]$ 。
联邦学习 致力于学习一个全局的模型参数 $\theta$ ，其能在每个客户端上都能达到最小的损失：
$\min _{\boldsymbol{\theta}} \mathbb{E}_{\mathcal{T}_k \in \mathcal{T}}\left[\mathcal{L}_k(\boldsymbol{\theta})\right] \tag1$
其中 $\mathcal{T}=\left\{\mathcal{T}_k\right\}_{k=1}^K$ 表示所有的客户端的任务。我们假设所有的任务共享相同的标签规则 $c^*$ 以及损失函数 $\mathcal{T}_k=\left\langle\mathcal{D}_k, c^*\right\rangle$ 。在实际中，等式1可以进行这样的优化： $\min _\theta \frac{1}{K} \sum_{k=1}^K \hat{\mathcal{L}}_k(\boldsymbol{\theta})$ , 其中 $\hat{\mathcal{L}}_k(\boldsymbol{\theta}):=\frac{1}{\left|\hat{\mathcal{D}}_k\right|} \sum_{x_i \in \hat{\mathcal{D}}_k}\left[l\left(h\left(f\left(x_i ; \boldsymbol{\theta}^f\right) ; \boldsymbol{\theta}^p\right), c^*\left(x_i\right)\right)\right]$ 表示在数据集 $\hat{\mathcal{D}}_k$ 上的经验损失。这里有个隐含的假设是：对于全局数据 $\hat{\mathcal{D}}$ 是分布在所有的客户端上： $\hat{\mathcal{D}}=\cup\left\{\hat{\mathcal{D}}_k\right\}_{k=1}^K$ 。

知识蒸馏(KD) 也被称为师生范式，其目标是学习轻量级的学生模型，使用从一个或多个强大的老师那里提取的知识。典型的KD利用一个代理数据集“pd”来最小化分别来自教师模型 $\theta^T$ 和学生模型 $\theta^S$ 的logits输出之间的差异。一个代表性的选择是使用Kullback-Leibler散度来衡量这种差异:
$\min _{\boldsymbol{\theta}_S} \mathbb{E}_{x \sim \hat{\mathcal{D}}_{\mathrm{P}}}\left[D _ { \mathrm { KL } } \left[\sigma\left(g\left(f\left(x ; \boldsymbol{\theta}_T^f\right) ; \boldsymbol{\theta}_T^p\right) \| \sigma\left(g\left(f\left(x ; \boldsymbol{\theta}_S^f\right) ; \boldsymbol{\theta}_S^p\right)\right]\right]\right.\right.$
其中 $g(\cdot)$ 表示为模型的逻辑输出， $\sigma(\cdot)$ 表示为激活函数。
KD的想法已经扩展到FL，以解决用户异质性，通过将每个用户模型 $\theta_k$ 视为教师，其信息聚合到学生(全局)模型 $\theta$ ，以提高其泛化性能:
$\min _{\boldsymbol{\theta}} \mathbb{E}_{x \sim \hat{\mathcal{D}}_{\mathrm{P}}}\left[D_{\mathrm{KL}}\left[\sigma\left(\frac{1}{K} \sum_{k=1}^K g\left(f\left(x ; \boldsymbol{\theta}_k^f\right) ; \boldsymbol{\theta}_k^p\right)\right) \| \sigma\left(g\left(f\left(x ; \boldsymbol{\theta}^f\right) ; \boldsymbol{\theta}^p\right)\right]\right]\right.$
上述方法的一个主要限制在于它依赖于代理数据集“ $\hat{D}_P$ ”，需要仔细考虑它的选择，并在蒸馏性能中起着关键作用。接下来，我们将展示如何以无数据的方式使KD对FL可行。

三. FEDGEN: 通过生成学习实现无数据的联邦蒸馏

本方法如图所示：
在这里插入图片描述

3.1 知识提取

我们的核心思想是提取关于数据分布的全局视图的知识，这些知识是传统FL无法观察到的，并将这些知识提取到局部模型中，以指导它们的学习。我们首先考虑学习一个条件分布 $Q^*: \mathcal{Y} \rightarrow \mathcal{X}$ 来描述这种知识，它与真实数据分布一致:
$Q^*=\underset{Q: \mathcal{Y} \rightarrow \mathcal{X}}{\arg \max } \mathbb{E}_{y \sim p(y)} \mathbb{E}_{x \sim Q(x \mid y)}[\log p(y \mid x)], \tag2$
其中 $p (y)$ 表示标签的先验概率而 $p (y ∣ x)$ 表示为后验概率。为了能优化式2，我们替换了 $p (y)$ 以及 $p (y ∣ x)$ 。首先，我们估计 $p (y)$ 为：
$\hat{p}(y) \propto \sum_k \mathbb{E}_{x \sim \hat{\mathcal{D}}_k}\left[\mathrm{I}\left(c^*(x)=y\right)\right],$
其中 $\mathrm{I}(\cdot)$ 为一个指标函数。在实际中， $\hat{p}(y)$ 可以使用各个客户端训练标签的数量来进行统计。下一步，我们使用各个客户端的集成知识估计 $p (y ∣ x)$ :
$\log \hat{p}(y \mid x) \propto \frac{1}{K} \sum_{k=1}^K \log p\left(y \mid x ; \boldsymbol{\theta}_k\right)$
有了上面的近似之后，直接在输入空间 $\mathcal{X}$ 上优化式子（2）依然是不行的，因为当 $\mathcal{X}$ 为高纬的时候会带来计算过载，还可能泄漏用户数据的信息。一个更好的方式是使用 $G^*: \mathcal{Y} \rightarrow \mathcal{Z}$ 去作用于潜在的特征信息，从而避免相关的隐私暴露：
$G^*=\underset{G: \mathcal{Y} \rightarrow \mathcal{Z}}{\arg \max } \mathbb{E}_{y \sim \hat{p}(y)} \mathbb{E}_{z \sim G(z \mid y)}\left[\sum_{k=1}^K \log p\left(y \mid z ; \boldsymbol{\theta}_k^p\right)\right] \tag3$
根据上述推理，我们的目标是通过学习条件生成器 $G$ 进行知识提取，条件生成器 $G$ 由 $w$ 参数化，以优化以下目标:
$\min _{\boldsymbol{w}} J(\boldsymbol{w}):=\mathbb{E}_{y \sim \hat{p}(y)} \mathbb{E}_{z \sim G_{\boldsymbol{w}}(z \mid y)}\left[l\left(\sigma\left(\frac{1}{K} \sum_{k=1}^K g\left(z ; \boldsymbol{\theta}_k^p\right)\right), y\right)\right] \tag4$
其中 $g$ 和 $\sigma$ 表示为逻辑输出以及激活函数。这样，给定一系列样本标签，我们只需要使用用户的预测层的参数。具体来说，为了使样本更加多样化，我们创建了噪音向量： $\epsilon \sim \mathcal{N}(0, I)$ 。

3.2 知识提取

在特征提取之后，我们将学习到的生成器 $G_w$ 广播给本地用户，以便每个用户模型都可以从 $G_w$ 中采样，获得特征空间上的增强表示 $\sim G_w(\cdot \mid y)$ 。因此，局部模型 $\theta_k$ 的目标被改变，以使它对扩增样本产生理想预测的概率最大化:
$\min _{\boldsymbol{\theta}_k} J\left(\boldsymbol{\theta}_k\right):=\hat{\mathcal{L}}_k\left(\boldsymbol{\theta}_k\right)+\hat{\mathbb{E}}_{y \sim \hat{p}(y), z \sim G_{\boldsymbol{w}}(z \mid y)}\left[l\left(h\left(z ; \boldsymbol{\theta}_k^p\right) ; y\right)\right], \tag5$
其中 $\hat{\mathcal{L}}_k\left(\boldsymbol{\theta}_k\right):=\frac{1}{\left|\hat{\mathcal{D}}_k\right|} \sum_{x_i \in \hat{\mathcal{D}}_k}\left[l\left(h\left(f\left(x_i ; \boldsymbol{\theta}_k^f\right) ; \boldsymbol{\theta}_k^p\right), c^*\left(x_i\right)\right)\right]$ 表示本地数据集上的相关损失。
相关算法如下：
在这里插入图片描述

四. 代码解析

代码链接点这里
我们首先来看一个客户端的训练：

 def train(self, glob_iter, personalized=False, early_stop=100, regularization=True, verbose=False):
     self.clean_up_counts()
     self.model.train()
     self.generative_model.eval()
     TEACHER_LOSS, DIST_LOSS, LATENT_LOSS = 0, 0, 0
     for epoch in range(self.local_epochs):
         self.model.train()
         for i in range(self.K):
             self.optimizer.zero_grad()
             #### sample from real dataset (un-weighted)
             samples =self.get_next_train_batch(count_labels=True)
             X, y = samples['X'], samples['y']
             self.update_label_counts(samples['labels'], samples['counts'])
             model_result=self.model(X, logit=True)
             user_output_logp = model_result['output']
             predictive_loss=self.loss(user_output_logp, y)

             #### sample y and generate z
             if regularization and epoch < early_stop:
                 generative_alpha=self.exp_lr_scheduler(glob_iter, decay=0.98, init_lr=self.generative_alpha)
                 generative_beta=self.exp_lr_scheduler(glob_iter, decay=0.98, init_lr=self.generative_beta)
                 ### get generator output(latent representation) of the same label
                 gen_output=self.generative_model(y, latent_layer_idx=self.latent_layer_idx)['output']
                 logit_given_gen=self.model(gen_output, start_layer_idx=self.latent_layer_idx, logit=True)['logit']
                 target_p=F.softmax(logit_given_gen, dim=1).clone().detach()
                 user_latent_loss= generative_beta * self.ensemble_loss(user_output_logp, target_p)

                 sampled_y=np.random.choice(self.available_labels, self.gen_batch_size)
                 sampled_y=torch.tensor(sampled_y)
                 gen_result=self.generative_model(sampled_y, latent_layer_idx=self.latent_layer_idx)
                 gen_output=gen_result['output'] # latent representation when latent = True, x otherwise
                 user_output_logp =self.model(gen_output, start_layer_idx=self.latent_layer_idx)['output']
                 teacher_loss =  generative_alpha * torch.mean(
                     self.generative_model.crossentropy_loss(user_output_logp, sampled_y)
                 )
                 # this is to further balance oversampled down-sampled synthetic data
                 gen_ratio = self.gen_batch_size / self.batch_size
                 loss=predictive_loss + gen_ratio * teacher_loss + user_latent_loss
                 TEACHER_LOSS+=teacher_loss
                 LATENT_LOSS+=user_latent_loss
             else:
                 #### get loss and perform optimization
                 loss=predictive_loss
             loss.backward()
             self.optimizer.step()#self.local_model)
     # local-model <=== self.model
     self.clone_model_paramenter(self.model.parameters(), self.local_model)
     if personalized:
         self.clone_model_paramenter(self.model.parameters(), self.personalized_model_bar)
     self.lr_scheduler.step(glob_iter)
     if regularization and verbose:
         TEACHER_LOSS=TEACHER_LOSS.detach().numpy() / (self.local_epochs * self.K)
         LATENT_LOSS=LATENT_LOSS.detach().numpy() / (self.local_epochs * self.K)
         info='\nUser Teacher Loss={:.4f}'.format(TEACHER_LOSS)
         info+=', Latent Loss={:.4f}'.format(LATENT_LOSS)
         print(info)

我这里给大家画了个损失的计算图：
在这里插入图片描述
大家可以对照着去这部分代码去看。其实很简单，一个表示拥护的预测损失，还有对应的是G产生样本再经过模型的预测层 $\theta^p$ 进行预测的潜在损失。最后就是针对为教师网络的对应损失，这里使用的是不重复标签（也就是一个类别的y只有一个）。
接下来我们看看服务器的更新：

def train_generator(self, batch_size, epoches=1, latent_layer_idx=-1, verbose=False):
    """
    Learn a generator that find a consensus latent representation z, given a label 'y'.
    :param batch_size:
    :param epoches:
    :param latent_layer_idx: if set to -1 (-2), get latent representation of the last (or 2nd to last) layer.
    :param verbose: print loss information.
    :return: Do not return anything.
    """
    #self.generative_regularizer.train()
    self.label_weights, self.qualified_labels = self.get_label_weights()
    TEACHER_LOSS, STUDENT_LOSS, DIVERSITY_LOSS, STUDENT_LOSS2 = 0, 0, 0, 0

    def update_generator_(n_iters, student_model, TEACHER_LOSS, STUDENT_LOSS, DIVERSITY_LOSS):
        self.generative_model.train()
        student_model.eval()
        for i in range(n_iters):
            self.generative_optimizer.zero_grad()
            y=np.random.choice(self.qualified_labels, batch_size)
            y_input=torch.LongTensor(y)
            ## feed to generator
            gen_result=self.generative_model(y_input, latent_layer_idx=latent_layer_idx, verbose=True)
            # get approximation of Z( latent) if latent set to True, X( raw image) otherwise
            gen_output, eps=gen_result['output'], gen_result['eps']
            ##### get losses ####
            # decoded = self.generative_regularizer(gen_output)
            # regularization_loss = beta * self.generative_model.dist_loss(decoded, eps) # map generated z back to eps
            diversity_loss=self.generative_model.diversity_loss(eps, gen_output)  # encourage different outputs

            ######### get teacher loss ############
            teacher_loss=0
            teacher_logit=0
            for user_idx, user in enumerate(self.selected_users):
                user.model.eval()
                weight=self.label_weights[y][:, user_idx].reshape(-1, 1)
                expand_weight=np.tile(weight, (1, self.unique_labels))
                user_result_given_gen=user.model(gen_output, start_layer_idx=latent_layer_idx, logit=True)
                user_output_logp_=F.log_softmax(user_result_given_gen['logit'], dim=1)
                teacher_loss_=torch.mean( \
                    self.generative_model.crossentropy_loss(user_output_logp_, y_input) * \
                    torch.tensor(weight, dtype=torch.float32))
                teacher_loss+=teacher_loss_
                teacher_logit+=user_result_given_gen['logit'] * torch.tensor(expand_weight, dtype=torch.float32)

            ######### get student loss ############
            student_output=student_model(gen_output, start_layer_idx=latent_layer_idx, logit=True)
            student_loss=F.kl_div(F.log_softmax(student_output['logit'], dim=1), F.softmax(teacher_logit, dim=1))
            if self.ensemble_beta > 0:
                loss=self.ensemble_alpha * teacher_loss - self.ensemble_beta * student_loss + self.ensemble_eta * diversity_loss
            else:
                loss=self.ensemble_alpha * teacher_loss + self.ensemble_eta * diversity_loss
            loss.backward()
            self.generative_optimizer.step()
            TEACHER_LOSS += self.ensemble_alpha * teacher_loss#(torch.mean(TEACHER_LOSS.double())).item()
            STUDENT_LOSS += self.ensemble_beta * student_loss#(torch.mean(student_loss.double())).item()
            DIVERSITY_LOSS += self.ensemble_eta * diversity_loss#(torch.mean(diversity_loss.double())).item()
        return TEACHER_LOSS, STUDENT_LOSS, DIVERSITY_LOSS

    for i in range(epoches):
        TEACHER_LOSS, STUDENT_LOSS, DIVERSITY_LOSS=update_generator_(
            self.n_teacher_iters, self.model, TEACHER_LOSS, STUDENT_LOSS, DIVERSITY_LOSS)

    TEACHER_LOSS = TEACHER_LOSS.detach().numpy() / (self.n_teacher_iters * epoches)
    STUDENT_LOSS = STUDENT_LOSS.detach().numpy() / (self.n_teacher_iters * epoches)
    DIVERSITY_LOSS = DIVERSITY_LOSS.detach().numpy() / (self.n_teacher_iters * epoches)
    info="Generator: Teacher Loss= {:.4f}, Student Loss= {:.4f}, Diversity Loss = {:.4f}, ". \
        format(TEACHER_LOSS, STUDENT_LOSS, DIVERSITY_LOSS)
    if verbose:
        print(info)
    self.generative_lr_scheduler.step()

在这里插入图片描述
其中多样性损失没有写进去，大家根据代码找到即可。

编程龙

关注

3
点赞
踩
13

收藏

觉得还不错? 一键收藏
6
评论
Data-Free Knowledge Distillation for Heterogeneous Federated Learning论文阅读+代码解析

联邦学习具有广阔的应用前景，但面临着来自数据异构的挑战，因为在现实世界中用户数据均为Non-IID分布的。在这样的情况下，传统的联邦学习算法可能会导致无法收敛到各个客户端的数据。在本文中，我们提出了一个基于无数据的知识蒸馏算法——FEDGEN。具体来说，FEDGEN学习一个仅从用户模型的预测规则派生的生成模型，给定一个目标标签，可以生成与用户预测集合一致的特征表示。该生成器随后广播给用户，在潜在空间上护送他们的模型训练与增强样本，这体现了来自其他同行用户的蒸馏知识。
复制链接

扫一扫