1、原文
FEDNS: IMPROVING FEDERATED LEARNING FOR COLLABORATIVE IMAGE CLASSIFICATION ON MOBILE CLIENTS
https://ieeexplore.ieee.org/document/9428075
2、摘要
联邦学习(FL)是一种范式,旨在支持松散连接的客户端在中央服务器的帮助下协作学习全局模型。最流行的FL算法是联合平均(FedAvg),它基于对客户端模型进行加权平均,权重主要取决于客户端的数据集大小。在本文中,我们提出了一种新方法,称为联合节点选择(FedNS,用于FL设置中的服务器全局模型聚合。FedNS在节点内核级别过滤和重新加权客户端的模型,从而通过融合客户端的最佳组件来产生可能更好的全局模型。以协作图像分类为例,我们通过来自多个数据集和网络的实验表明,FedNS可以持续提高FedAvg的性能。
3、正文
--------------------------------------------------------------
---------------------------------------------------------------
-------------------------------------------------------------
-------------------------------------------------------------------
------------------------------------------------------------------
4、结论
我们提出了FedNS作为FL的新模型聚合方法。无需对FL框架进行太多修改,我们的方法就可以轻松应用于移动图像分类等应用。与每个客户端拥有固定部分数据的传统FL设置不同,我们的方法允许灵活和可变的数据可用性,使其更接近现实世界的场景。即使在如此具有挑战性的环境下,实验表明FedNS改进了在学习过程中和学习结束时都在基线上。未来的一个方向可能是探索如何扩展FedNS以处理极端数据分布,例如当每个客户端都有不同的类时。在这种情况下,需要解决一个更微妙的问题,即比较从不同类别中学习到的模型。