Aprendizaje Federado Utilizando Descomposición de Tensor Acoplado

La descomposición de tensor acoplado (DTA) puede extraer características conjuntas de datos multimodales en diversas aplicaciones. Puede ser empleada para redes de aprendizaje federado con confidencialidad de datos. La DTA federada logra la protección de la privacidad de los datos al compartir características comunes y mantener características individuales. Sin embargo, los esquemas de DTA tradicionales basados en descomposición polinómica canónica (DPC) pueden sufrir de baja eficiencia computacional y altos costos de comunicación. Inspirados en la eficiente descomposición de tensor de tren, proponemos una descomposición de tensor de tren acoplado (DTT) para el aprendizaje federado. Los datos distribuidos acoplados de múltiples vías se descomponen en una serie de tensores de tren con factores compartidos. De esta manera, podemos extraer características comunes de los modos acoplados mientras mantenemos las diferentes características de los modos desacoplados. Así, se puede asegurar la preservación de la privacidad de la información a través de diferentes nodos de la red. El enfoque DTT propuesto se instancia para dos estructuras de red fundamentales, a saber, redes maestro-esclavo y redes descentralizadas. Los resultados experimentales en conjuntos de datos sintéticos y reales demuestran la superioridad de los esquemas propuestos sobre los métodos existentes en términos de eficiencia computacional y rondas de comunicación. En una tarea de clasificación, los resultados experimentales muestran que el aprendizaje federado basado en DTT logra casi el mismo rendimiento en precisión que el de su contraparte centralizada.