Apprentissage fédéré utilisant la décomposition tensorielle couplée

La décomposition tensorielle couplée (CTD) peut extraire des caractéristiques communes à partir de données multimodales dans diverses applications. Elle peut être employée pour des réseaux d'apprentissage fédéré garantissant la confidentialité des données. Le CTD fédéré protège la vie privée des données en partageant des caractéristiques communes tout en préservant les caractéristiques individuelles. Cependant, les schémas traditionnels de CTD basés sur la décomposition polyadique canonique (CPD) peuvent souffrir d'une faible efficacité computationnelle et de coûts de communication élevés. Inspiré par la décomposition tensorielle efficace, nous proposons une décomposition tensorielle couplée (CTT) pour l'apprentissage fédéré. Les données distribuées couplées à plusieurs voies sont décomposées en une série de trains tensoriels avec des facteurs partagés. De cette manière, nous pouvons extraire des caractéristiques communes des modes couplés tout en maintenant les différentes caractéristiques des modes non couplés. Ainsi, la préservation de la vie privée des informations à travers différents nœuds de réseau peut être assurée. L'approche CTT proposée est instanciée pour deux structures de réseau fondamentales, à savoir maître-esclave et réseaux décentralisés. Les résultats expérimentaux sur des ensembles de données synthétiques et réelles démontrent la supériorité des schémas proposés par rapport aux méthodes existantes en termes d'efficacité computationnelle et de cycles de communication. Dans une tâche de classification, les résultats expérimentaux montrent que l'apprentissage fédéré basé sur CTT atteint presque la même performance en précision que celle de son homologue centralisé.