【论文阅读——SplitFed: When Federated Learning Meets Split Learning】

级别CCFA

1.摘要

联邦学习（FL）和分割学习（SL）是两种流行的分布式机器学习方法。两者都采用了模型对数据的场景；客户端在不共享原始数据的情况下训练和测试机器学习模型。由于机器学习模型的架构在客户端和服务器之间分割，SL提供了比FL更好的模型隐私性。此外，分割模型使SL成为资源受限环境的更好选择。然而，由于在多个客户端之间基于中继进行训练，SL的速度比FL慢。

2.贡献

本文提出了一种名为分割联邦学习（SFL）的新方法，它将这两种方法融合在一起，消除了它们固有的缺点，并采用了一种精细的架构配置，结合差分隐私和PixelDP来增强数据隐私和模型鲁棒性。我们的分析和实证结果表明，（纯）SFL在多个客户端上比SL显著减少了每个全局时期的计算时间，同时提供了类似的测试精度和通信效率。此外，就像SL一样，它在客户端数量增加时的通信效率优于FL。此外，带有隐私和鲁棒性措施的SFL在扩展实验设置下进一步进行了评估

3.目标场景

FL的主要优势在于它允许跨多个客户端并行进行高效的ML模型训练。在FL中，客户端的计算需求和ML训练期间的模型隐私是两个主要问题。（对于一些商业公司的模型，肯定是不能全部下发导数据提供方进行训练的，同时对于客户端服务器配置的要求也比较高）
在SL中，通过切割模型可以使数据公司无法拥有全部模型，同时降低了对于数据公司设备的要求。但SL中的中继式训练会导致客户端资源处于空闲状态，因为一次只有一个客户端与服务器交互；这会导致在许多客户端下训练开销的显著增加。

4.方法

4.1 方法概览

我们假设模型分为特征提取部分$M_c$和结果推理部分$M_t$
这里主要存在3个部分：

• Client
  • 数据的提供方，将数据通过$M_c$得到smashed data发送给主服务器。
  • 需要等待服务器进行反向传播，更新本地的$M_c$
  • 并将$M_c^{\prime }$上传到聚合FedServer
  • 等待从FedServer上接收平均后的$M_c^{fed}$
  • 用接收后的$M_c$来提取数据特征
• Main Server
  • 负责模型的推理和反向传播
• FedServer
  • 负责$M_c$的接收、平均和下发

4.2 SFL的几种变体

• 基于服务器端聚合
  • SFLV1
    • MainServer模型中存在聚合特征部分
  • SFLV2
    • 删除MainServer模型聚合特征部分来增加模型准确性的可能性
• 基于数据标签分享
  • 将数据标签共享到服务器
    • 基于MPC等技术
  • 不共享任何数据标签到服务器
    • SFL中的ML模型可以被划分为三个部分，假设是一个简单的设置。每个客户端将处理两个客户端模型部分；一个是W的前几层，另一个是W的最后几层和损失计算。W的剩余中间层将在服务器端计算。

6.反思

感觉这个方法真的很酷，但是工程上存在着网络等多种复杂情况。