由于安全问题和深度学习模型的复杂性,研究不同客户端之间的数据异质性是一个挑战。为了解决这个问题,基于需求分析,文章作者开发了一个可视化分析工具HetVis,在HFL(Horizontal Federated Learning)的隐私限制下协助参与的用户识别和检查数据的异质性。文章作者通过比较全球联合模型和用本地数据训练的独立模型的预测行为来确定数据的异质性。然后,对不一致的记录进行上下文感知的聚类,以提供数据异质性的总结。结合所提出的比较技术,该文作者开发了一套新型的可视化方法来识别HFL中的异质性问题。Wang, Xumeng, et al. "HetVis: A Visual Analysis Approach for Identifying Data Heterogeneity in Horizontal Federated Learning." IEEE Transactions on Visualization and Computer Graphics 29.1 (2022): 310-319.——CCF-A
这篇文章的优点有以下几点:
1. 一种新型的可视化分析工作流程,协助分析HFL模型的异质性。
2. 一种上下文感知的聚类方法,使用基于排名的距离测量方法分层次地生成与其他数据不一致的聚类。
3. 一个整合了新型设计的可视化系统。
HetVis中采用的基于PCA的降维算法很难支持对上千维度数据的分析。工具支持矢量数据,如图像数据和表格数据,但由于联邦学习设置的不同要求,目前的系统不支持文本数据和其他数据模式。
2023年1月13日
标签:21,Identifying,HetVis,Federated,异质性,Learning,Horizontal,Heterogeneity,数据 From: https://www.cnblogs.com/FBprivacy/p/17069452.html