学术速运|通过代理模型共享实现分散的联邦学习

题目：Decentralized federated learning through proxy model sharing

文献来源:Nature Communications | (2023) 14:2899

代码：https://github.com/layer6ai-labs/ProxyFL

简介：金融和医疗保健等高度监管领域的机构通常对数据共享有限制性的规则。联邦学习是一个分布式学习框架，它支持多机构在分散的数据上进行协作，并改善了对每个合作者的数据隐私的保护。在本文中，作者提出了一种通信高效的分散式联邦学习方案，称为ProxyFL，或基于代理的联邦学习。ProxyFL中的每个参与者都维护两个模型，一个私有模型和一个公开共享的代理模型，旨在保护参与者的隐私。代理模型允许在参与者之间进行有效的信息交换，而不需要一个集中的服务器。该方法通过允许模型的异质性，消除了规范联邦学习的一个显著限制；每个参与者都可以有一个具有任何架构的私有模型。此外，该工作的代理通信协议使用差异隐私分析导致更强的隐私保证。在流行图像数据集上的实验，以及使用高质量的十亿像素组织学全幻灯片图像的癌症诊断问题，表明，ProxyFL可以以更少的通信开销和更强的隐私优于现有的替代方案。

主要内容：

-------------------------------------------

欢迎点赞收藏转发！

下次见！