全球最新研究 | 2023年5月联邦学习技术动态

1.Decentralized federated learning through proxy model sharing 

通过代理模型共享的去中心化联邦学习（Layer 6 AI, 滑铁卢大学, 多伦多矢量研究所, 卡尔顿大学）

时间：2023年5月22日

摘要：作者提出了一种用于分散式联邦学习的高效通信方案，称为 ProxyFL，或基于代理的联邦学习。ProxyFL 中的每个参与者都维护两个模型，一个私有模型和一个公开共享的代理模型，旨在保护参与者的隐私。代理模型允许参与者之间进行有效的信息交换，而无需中央服务器。所提出的方法通过允许模型异质性消除了规范联邦学习的重大限制；每个参与者都可以拥有一个具有任何架构的私有模型。（Nature Communications）

图1 ProxyFL总览

链接：

https://www.nature.com/articles/s41467-023-38569-4

2.专为决策树打造，新加坡国立大学&清华大学联合提出快速安全的联邦学习新系统

时间：2023年5月16日

摘要：来自新加坡国立大学和清华大学的研究者提出了一种专注于训练树模型的联邦学习新系统 FedTree。

FedTree架构图如图2所示，共有5个模块：接口，环境，框架，隐私保护以及模型。（机器之心）

图2 FedTree系统介绍

链接：

https://github.com/Xtra-Computing/FedTree

3.亚马逊：DOCOMO Innovations在AWS上为纵向联邦学习构建云原生架构

时间：2023年5月15日

摘要：DOCOMO Innovations专注于联邦学习，尤其是VFL，因为它有可能通过与其他数据提供商合作来获得更好的模型性能。DOCOMO Innovations介绍了AWS上VFL的云原生架构，并描述了将其实施为无服务器应用程序以最大限度地降低运营成本的做法。（AWS）

图3 纵向联邦学习示例

链接：

https://aws.amazon.com/cn/blogs/apn/building-a-cloud-native-architecture-for-vertical-federated-learning-on-aws/

4.张璇、沈欣炜团队在联邦学习及其在智慧城市中的应用取得系列成果

时间：2023年5月8日

摘要：近日，张璇、沈欣炜团队提出了两套基于联邦学习的新型合作框架并应用在能源负荷预测领域，有效解决了智慧城市在构建多地区联合数据模型（如联合能源负荷预测）时，直接将所有数据上传至中央云端进行统一学习，不利于保护各主体的数据隐私及带来较高的通信和计算开销的问题。

图4 横纵向结合的联邦学习框架，可打破多主体能源数据的信息壁垒

链接：

http://www.tbsi.edu.cn/2023/0508/c4758a62745/page.htm

5.中国电力科学研究院：面向隐私保护基于联邦强化学习的分布式电源协同优化策略

时间：2023年5月4日

摘要：针对分布式电源优化调度面临的隐私保护和实时决策问题，作者提出了基于联邦强化学习的多智能体分布式协同优化策略。

首先，构建了基于联邦强化学习的配电网分布式协同优化框架，利用联邦学习避免在多智能体深度强化学习过程中泄露隐私数据。在此框架下，提出了多智能体约束策略优化方法，利用离线训练缩短在线决策时间，支持智能体实时分布式决策。同时，该方法为智能体构建了考虑潮流方程等约束条件的可行域，允许智能体在训练过程中自由探索，提高了收敛速度，并确保实时调度策略满足电力系统安全运行约束。最后，通过算例进行仿真验证，结果表明离线训练时各智能体仅利用局部信息即可实现全局优化，并保证了实时决策和调度策略的安全性。（万方数据）

链接：

https://d.wanfangdata.com.cn/periodical/dlxtzdh202308008

6.A vertical federated learning framework for graph convolutional network

一种用于图卷积网络的纵向联邦学习框架（蚂蚁集团）

时间：2023年5月4日

摘要：作者提出一种联邦GCN学习框架FedVGCN，用于数据垂直分区设置下的隐私保护节点分类任务，该范式可以推广到现有的GCN模型中。具体将计算图数据拆分为两部分。对于训练过程的每一次迭代，双方在同态加密下相互传递中间结果。

该团队在基准数据上进行了实验，结果证明了FedVGCN在GraphSage情况下的有效性。

链接：

https://arxiv.org/pdf/2106.11593.pdf

7.IBM：构建隐私保护的联邦学习以帮助打击金融犯罪

时间：2023年5月3日

摘要：IBM 研究实验室团队解决了在大量共享数据上启用联邦学习的问题，同时保护数据隐私，以提高对可疑金融交易异常的检测。

团队提出的解决方案“针对反洗钱的私密纵向联邦学习（PV4AML）”，是一种结合了几种加密、隐私和机器学习技术，通过聚合器生成一个随机森林模型的综合方法。（IBM）

图5 PV4AML 系统概述

链接：

https://research.ibm.com/blog/privacy-preserving-federated-learning-finance

8.Auditable Federated Learning With Byzantine Robustness

可审计的具有拜占庭鲁棒的联邦学习方案（韩国仁荷大学）

时间：2023年4月28日

摘要：作者提出一种针对聚合器和客户端的具有拜占庭鲁棒性的可审计FL方案：聚合器是恶意的但可用的，客户端会实施投毒攻击。针对联邦学习的cross-silo setting（多个公司、组织之间），解决了隐私保护、防止投毒攻击，可审计等问题。（CSDN）

链接：

https://ieeexplore.ieee.org/document/10107728

9.数据分布对肿瘤分割联邦学习性能的影响（麻省总医院与哈佛医学院, 英特尔, 香港大学, 浙江大学, 美国圣母大学）

时间：2023年4月26日

摘要：该团队研究CT和MRI肿瘤分割中数据分布差异与联合深度学习 (Fed-DL) 算法性能之间的相关性。

经实验得出结论：Fed-DL模型在CT和MRI数据集上的肿瘤分割中的性能与数据分布之间的距离呈强烈负相关。（北美放射学会）

链接：

https://pubs.rsna.org/doi/epdf/10.1148/ryai.220082

本文来源: FATE开源社区

分享仅为学习参考，若有不当，请联系我们处理。

END

往期推荐

1.论文分享 | 联邦学习系统攻击与防御技术
2.即时通信的安全加密通信模型研究3.论文整理 | ICLR 2023 联邦学习论文合集4.笔记分享 | 组队学习同态加密（1）——全同态加密基础知识