Batch Normalization在联邦学习中的应用

回想一下联邦学习（FL）中的FedAvg，这个算法是将每个参与方的模型的所有参数进行加权平均聚合，包括Batch Normalization（BN）的参数。
再回顾一下BN。式中µ和${\sigma }^2$为BN统计量，是通过每个channel的空间和批次维度计算而得的running mean和running variances。γ和β为实现"变换重构"的超参数。ε用于预防分母为零。

我们知道FL的一个重要意义就在于保护参与方的数据隐私，而BN层的统计参数µ和${\sigma }^2$实际上在一定程度上隐含着本地数据的统计信息，所以把这些参数用于聚合会对数据隐私造成一定威胁，并且影响全局模型的收敛性和精度。
对于这个问题，目前我看到的主要有两种方法：

• 一种方法来自于ICLR 2021上的一篇文章：《FedBN: Federated Learning on Non-IID Features via Local Batch Normalization》，适用于feature shift的情况。思想是直接把BN层的所有参数保留在本地，而把其他层的参数用于全局聚合，待服务端返回全局模型后，再与本地的BN参数结合构成本地模型，这在保护数据隐私的同时也实现了模型个性化设计。具体的实验效果在我之前的这篇博客有做过总结：FedBN总结
• 另一种方法来自于Springer 2020上的一篇文章《Siloed Federated Learning for Multi-centric Histopathology Datasets》。思想是把BN的统计参数µ和${\sigma }^2$保留在本地，把BN的超参数γ和β以及其他层的参数用于全局聚合，待服务端返回全局模型后，再与本地的BN参数结合构成本地模型，这同样实现了隐私保护和模型个性化设计。