联邦学习全局模型融合

• • 1. Ensemble Distillation for Robust Model Fusion in Federated Learning
  • • 1.1 拟解决的问题
    • 1.2 采取的方法
    • 1.3 启发

NeurIPS 2020 —— FedDF
Tao Lin, Lingjing Kong, Sebastian U.Stich, Martin Jaggi

Toy Example: 在2个客户端单独训练的时候，都可以获得清晰的决策边界。直接用模型参数加权融合的方法在数据异质性存在情况下，决策边界不清晰，影响模型性能；用集成学习方法虽然可以获得清晰的决策边界，但是在客户端很多时模型规模过大。

利用参与联邦学习训练的local model进行aggregation初始化global model，然后再在公共数据集d上进行知识蒸馏。具体方法为计算 S t S_t St​ 个local model输出向量的均值，计算其与global model输出向量的KL散度，从而拉近global model与ensemble model的距离。

这篇文章的toy example举得很好，将注意力关注到了local model 和global model 的决策边界问题。当然可以发现这个例子主要是体现了分类器的区别（3层MLP模型），所以在存在卷积层特征提取器等的网络中，是否也存在蒸馏后会好于直接融合模型参数的情况？
同时，蒸馏的效果也非常依赖于公开数据集的选择，如果公共数据集是有偏的，未必能够做出比较好的效果。