Resumen

Los datos y modelos heterogéneos plantean desafíos críticos para el aprendizaje federado. Sin embargo, el marco tradicional de aprendizaje federado, que entrena el modelo global transfiriendo parámetros del modelo, tiene limitaciones importantes; requiere que todos los participantes tengan las mismas arquitecturas de modelos de entrenamiento, y el modelo global entrenado no garantiza proyecciones precisas para los datos personales de los participantes. Para resolver este problema, proponemos un nuevo marco federado llamado aprendizaje federado personalizado con destilación semisupervisada (pFedSD), que asegura la privacidad de las arquitecturas de modelos de los participantes y mejora la eficiencia de comunicación al transmitir la distribución de clases predichas por los modelos en lugar de los parámetros del modelo. En primer lugar, el servidor adopta el método de agregación adaptativa para reducir el peso de las predicciones de modelos de baja calidad para las distribuciones de clases predichas por todos los clientes, lo que ayuda a mejorar la calidad de la agregación de la distrib

• Materias:Cifrado de búsqueda Seguridad informática Reconstrucción virtual Detección de intrusos Sistema de programación
• Subjects:Search encryption Computer security Virtual reconstruction Intrusion detection Programming system
• Palabras claves:Datos heterogéneos; Modelos; Aprendizaje federado; Aprendizaje federado personalizado; Destilación semisupervisada; Eficacia de la comunicación.
• Keywords:Heterogeneous data; Models; Federated learning; Personalized federated learning; Semisupervised distillation; Communication efficiency