本文提出了一種新的水平-垂直混合聯邦學習(HoVeFL)框架,用於提高邊緣物聯網的機器學習性能。
在HoVeFL中,部分設備使用相同的數據樣本但分析不同的數據特徵,而其他設備則專注於相同的數據特徵但使用非獨立同分布(non-IID)的數據樣本。這種混合方法可以更好地適應數據的多樣性和分佈不均,相比單一的水平聯邦學習(HFL)或垂直聯邦學習(VFL)更有效。
作者分析了HoVeFL的收斂性,並在CIFAR-10和SVHN數據集上進行了實驗評估。結果表明,與全部設備進行VFL相比,HoVeFL在12個HFL設備和6個VFL設備的情況下,測試損失分別高出5.5%和25.2%。這是因為VFL設備的訓練數據是獨立同分布的,而HFL設備的數據是非獨立同分布的,導致模型更新的同質性較低,從而影響了模型的準確性。
HoVeFL有望應用於數據豐富且需要隱私保護的智慧醫療系統,通過同時利用水平和垂直學習,可以更全面地提高模型的性能。
翻譯成其他語言
從原文內容
arxiv.org
深入探究