《Personalized Federated Learning using Hypernetworks》提出一种用于个性化联邦学习的方法“pFedHN” (personalized Federated HyperNetworks)。该方法通过训练中央超网络模型,实现跨客户端的参数共享,并为每个客户端生成独特的个性化模型。
该方法的创新点主要有以下两点:
1、该超网络具备较强的泛化能力,即便(a)新的客户端的数据分布不同于训练时的客户端,(b)新的客户端具备不同的计算性能(这使得不同客户端可以训练不同规模的模型。)
2、超网络的参数不需要传输,所以超网络的模型大小不影响通信成本。
pFedHN具体是啥?
pFedHN中的超网络是一个深度神经网络,可以同时学习一系列目标网络(各客户端的个性化模型参数)。如下图所示,其中h(;φ)表示由φ参数化的超网络,f(;θ)代表由θ参数化的目标网络。超网络位于服务器上,通过客户端描述符 v i v_i vi初始化目标网络参数。 v i v_i vi可以是客户端的可训练嵌入向量,也可以是固定的,前提是预先知道一个好的客户端representation。
子图b:给定 v i v_i vi,超网络输出第i个客户端的模型参数 θ i θ_i θi = θ i ( φ ) θ_i(φ) θ