Merkmalabgleich-Daten-Synthese für nicht-IID föderiertes Lernen

Föderiertes Lernen (FL) hat sich als ein datenschutzfreundliches Paradigma etabliert, das neuronale Netzwerke auf Edge-Geräten trainiert, ohne Daten auf einem zentralen Server zu sammeln. Allerdings steht FL vor der grundsätzlichen Herausforderung, mit nicht-unabhängigen und identisch verteilten (nicht-IID) Daten zwischen den Geräten umzugehen. Um diese Herausforderung zu bewältigen, schlägt dieses Papier eine Methode zur harten Merkmalabgleich-Daten-Synthese (HFMDS) vor, um ergänzende Daten neben lokalen Modellen zu teilen. Konkret werden synthetische Daten generiert, indem die wesentlichen klassenrelevanten Merkmale realer Proben erlernt und redundante Merkmale verworfen werden, was hilft, das nicht-IID-Problem effektiv anzugehen. Zum besseren Datenschutz schlagen wir eine Methode zur harten Merkmalsaugmentation vor, um reale Merkmale in Richtung der Entscheidungsgrenze zu übertragen, wobei die synthetischen Daten nicht nur die Modellgeneralisierung verbessern, sondern auch die Informationen über die realen Merkmale löschen. Durch die Integration der vorgeschlagenen HFMDS-Methode mit FL präsentieren wir einen neuartigen FL-Rahmen mit Datenaugmentation, um die Datenheterogenität zu verringern. Die theoretische Analyse hebt die Effektivität unserer vorgeschlagenen Daten-Synthesemethode zur Lösung der nicht-IID-Herausforderung hervor. Simulations Ergebnisse zeigen ferner, dass unser vorgeschlagener HFMDS-FL-Algorithmus die Baselines in Bezug auf Genauigkeit, Datenschutz und Komplexitätssenkung in verschiedenen Benchmark-Datensätzen übertrifft.