"Federated Machine Learning : Concept and Applications"粗略笔记
1.联邦学习定义
假设N个数据拥有者{F1, ... ,FN}想要使用他们各自的数据{D1, ... ,DN}来训练一个更好的机器学习模型
- 传统的方法是整合所有的数据为D=D1∪D2∪ ... ∪DN，并使用数据集D来训练出模型MSUM，记其准确性为VSUM
- 而联邦学习则是各个数据拥有者使用各自的数据协作训练出模型MFED的过程，其准确性为VFED，在该过程中，任何数据拥有者Fi不暴露自己的数据Di给其他数据拥有者。
- 此外，模型MFED的性能应该接近模型MSUM，即VFED接近VSUM。记δ为非负实数，则 | VFED-VSUM | < δ ，则记联邦学习算法有δ精度损失。
2.联邦学习可能中用到的技术
- 安全多方计算（secure multi-party computation）
- 差分隐私（differential privacy）
- 同态加密（homomorphic encryption）
- 区块链（blockchain）
3.联邦学习分类
- 记矩阵Di为被数据拥有者i所拥有的数据，每一行代表一个样本（sample），每一列代表一个特征（feature），某些数据集（data sets）可能包含了标签数据（label data）。
- 记特征空间（feature space）为X，标签空间（label space）为Y，样本ID空间（sample ID space）为I，则特征（feature）X、标签（label）Y以及样本Ids（sample Ids）I构成了完整的训练数据集(X,Y,I)。
- 基于各方数据在特征和样本ID空间的分布规律，联邦学习被分为横向联邦学习（horizontally federated learning）、纵向联邦学习（vertically federated learning）和联邦迁移学习（federated transfer learning，FTL）
-
- 横向联邦学习
- 基于样本的联邦学习
- 数据集享有相同的特征空间，但其样本有差别。即Xi=Xj , Yi=Yj , Ii ≠ Ij , ∀Di , Dj , i ≠ j (这个公式是论文上看见的，没太明白，感觉和上面的叙述有点不一致)
- 训练结束后，整个模型和所有参数都暴露给所有参与者
- 横向联邦学习
-
- 纵向联邦学习
-
- 基于特征的联邦学习
- 数据集享有共同的样本ID空间，但特征空间有差别。即Xi≠Xj , Yi≠Yj , Ii = Ij , ∀Di , Dj , i ≠ j
- 训练结束后，每一方只拥有与自己数据相关的模型参数
-
- 纵向联邦学习
-
- 联邦迁移学习
-
-
- 数据集在样本空间和特征空间都有差异，即Xi≠Xj , Yi≠Yj , Ii ≠ Ij , ∀Di , Dj , i ≠ j
- 数据集在样本空间和特征空间都有差异，即Xi≠Xj , Yi≠Yj , Ii ≠ Ij , ∀Di , Dj , i ≠ j
-
4.联邦学习系统结构
- 横向联邦学习
-
- 拥有相同数据结构的K个参与者，在云服务器或参数的协助下，进行模型训练
- 无论服务器是否诚实但好奇（honest-but- curious），数据拥有者都是诚实的，即从数据拥有者到服务器的信息泄露是不被允许的
- 重复执行以下步骤，直到损失函数收敛，完成训练
- 数据拥有者在本地计算训练梯度，使用加密、差分隐私或者秘密共享等技术来修饰（mask，暂时没想好咋翻译）梯度的选择，然后将被修饰的结果发送到服务器
- 服务器在不获取数据拥有者信息的条件下进行安全整合
- 服务器发送整合结果给数据拥有者
- 数据拥有者根据接收信息更新各自的模型
- 纵向联邦学习
-
- 假设各自拥有己方数据的公司A和B合作训练一个模型
- 公司B拥有模型需要预测的标签数据
- A和B之间不能之间交换数据，所以需要一个诚实且没有与A或B勾结的第三方协作者C
- 整个联邦学习系统由以下两部分构成
- 加密整个联盟：由于双方数据不相同，为确保A和B不暴露自己的数据给对方，使用基于加密的用户（来自于A和B的数据）ID联盟来筛选共同用户
- 加密模型训练：筛选出共同用户后，我们使用这些共同用户的数据来训练模型。主要步骤如下
- 协作者C创建密钥对，发送公钥给A和B
- A和B加密并交换梯度和损失计算的中间结果
- A和B分别计算加密的梯度并增加修饰（mask），同时B计算加密的损失；A和B将加密后的结果发送给C
- C解密接收到的数据并将解密后的梯度和损失发送给A和B；A和B解释（unmask）梯度，并相应地更新模型参数
- 联邦迁移学习
