FedBN总结

《FEDBN: FEDERATED LEARNING ON NON-IID FEATURES VIA LOCAL BATCH NORMALIZATION》ICLR 2021。文章通过在局部模型中加入批量归一化层（BN）解决联邦学习数据异构性中feature shift这种情况（之前很多文章都是研究label shift或client shift），文章将这种方法名为FedBN。

什么是feature shift

y为标签，x为特征，文章将feature shift定义为以下情况：
1)covariate shift：即使所有客户的$P_i$(y|x)是相同的，不同客户之间的边缘分布$P_i$(x)是不同的;
2)concept shift：不同客户的条件分布$P_i$(x|y)不同，但P(y)相同。
例如：医学成像中不同的扫描仪/传感器，自动驾驶中不同的环境分布(公路和城市)，使得本地客户端的样本分布不同于其他客户端。

FedBN ALGORITHM

与FedAvg类似，FedBN也进行局部更新和模型聚合，不同的是，FedBN假设局部模型有批量归一化层（BN），且BN的参数不参与聚合。

收敛性分析

一片华丽的数学推导也太秀了，暂时没能看懂…
反正结论是在feature shift场景下，FedBN的收敛比FedAvg更快更光滑

实验

文章分benchmark和real-world datasets两种数据进行实验

1、benchmark experiment

1.1 实验设置

数据集：五个来自不同域且带有feature shift性质的数据集（不同域的数据具有异构的性质，但具有相同的标签和标签分布）。具体包括SVHN, USPS, MNIST-M, MNIST, SynthDigits。文章还对这五个数据集进行了些预处理，主要是控制无关因素，例如客户之间样本数量不平衡问题，使BN的作用在实验中更加易于观察。
模型：在卷积层和全连接层后面加入BN层。

客户端：默认设置下，有五个客户端，每个客户端的数据来自对不同的数据集的采样，且只有对应数据集的数据量的10%。
其他参数略详见论文。

1.2 收敛速度分析

具体设置：

与收敛性分析的结论相同，聚合模型在每个数据集（也就是每个客户端）上的收敛曲线显示，FedBN的收敛比FedAvg更快更光滑。

1.3 局部模型训练迭代次数分析

具体设置：

不同迭代次数(E)下，FedBN和FedAvg测试集上的准确率曲线显示，在各种E上，FedBN的准确率稳定地超过FedAvg。

1.4 本地数据集的大小分析

具体设置：

结果表明，每个客户端持有的Non-IID数据越少，FedBN的优越性越明显。

1.5 统计异质性的影响

具体设置：

更多的客户端对应更小的异构性。在所有异质性水平上，FedBN都比FedAvg实现了更高的测试精度。

1.6 Comparison with State-of-the-art

具体设置：

(1) FedBN实现了最高的精度;
(2) FedBN对SVHN数据集的性能最为显著，SVHN的图像外观与其他图像有很大的不同。

2、EXPERIMENTS ON REAL-WORLD DATASETS

总结与展望

其实这篇文章的中心很简单，就是在本地模型中加入BN层，然后应用于feature shift这种异构性场景并获得了不错的性能。有望与其他方法和框架，例如客户端选择策略，聚合策略等等相结合。并且BN本身也有优化版本可以尝试应用于此。