Улучшение однократного федеративного обучения с помощью двойных генераторов без данных для повышения производительности модели и снижения перекрытия данных.

DFDG: Улучшение одноразового федеративного обучения с помощью бездатчиковых двойных генераторов для повышения производительности модели и снижения перекрытия данных

Проблема:

Существующие методы обучения без использования данных (DFKD) передают знания от учителя к студенческим моделям без реальных данных, используя генерацию синтетических данных. Однако традиционные методы одноразового федеративного обучения сталкиваются с ограничениями, такими как необходимость публичных наборов данных и фокус на однородных настройках модели.

Решение:

DFDG представляет собой новый метод одноразового федеративного обучения, который обходит ограничения существующих подходов. Он использует два генератора, обучаемых адверсариально, для расширения пространства обучения, сосредотачиваясь на точности, передаче и разнообразии. Метод стремится преодолеть ограничения в области конфиденциальности данных, коммуникационных затрат и производительности модели в гетерогенных сценариях клиентских данных.

Значение:

Эксперименты на различных наборах данных для классификации изображений демонстрируют превосходство DFDG по сравнению с современными базовыми уровнями, подтверждая его эффективность в улучшении глобального обучения модели в федеративных средах.