TrFedDis: Trusted Federated Disentangling Network for Non-IID Domain Feature

要約

フェデレーテッド ラーニング (FL) は、効果的な分散型分散学習アプローチとして、複数の機関がローカル データを共有することなくモデルを共同でトレーニングできるようにします。
ただし、さまざまな取得デバイス/クライアントによって引き起こされるドメイン機能のシフトにより、FL モデルのパフォーマンスが大幅に低下します。
さらに、ほとんどの既存の FL アプローチは、信頼性 (信頼性や不確実性など) を考慮せずに精度を向上させることを目的としています。
したがって、安全性が重要なアプリケーションに展開された場合、予測は信頼できません。
したがって、モデルの信頼性を高めながら、ドメイン以外の機能の問題で FL のパフォーマンスを向上させることを目指しています。
このホワイト ペーパーでは、TrFedDis と呼ばれる新しい信頼できるフェデレーテッド ディエンタングル ネットワークを提案します。
一方、分離された機能を効果的に統合するために、不確実性を考慮した決定融合も導入され、推定された不確実性で信頼できる予測を生成しながら、分離された機能を証拠レベルで動的に統合するようにネットワークを導きます。
私たちの知る限り、提案されたTrFedDisは、証拠の不確実性と機能のもつれの解消を組み合わせたFLアプローチを開発した最初の作品であり、非IIDドメイン機能でのFLのパフォーマンスと信頼性を向上させます。
広範な実験結果は、提案されたTrFedDisが、他の最先端のFLアプローチと比較して、高度な信頼性を備えた優れたパフォーマンスを提供することを示しています。

要約(オリジナル)

Federated learning (FL), as an effective decentralized distributed learning approach, enables multiple institutions to jointly train a model without sharing their local data. However, the domain feature shift caused by different acquisition devices/clients substantially degrades the performance of the FL model. Furthermore, most existing FL approaches aim to improve accuracy without considering reliability (e.g., confidence or uncertainty). The predictions are thus unreliable when deployed in safety-critical applications. Therefore, aiming at improving the performance of FL in non-Domain feature issues while enabling the model more reliable. In this paper, we propose a novel trusted federated disentangling network, termed TrFedDis, which utilizes feature disentangling to enable the ability to capture the global domain-invariant cross-client representation and preserve local client-specific feature learning. Meanwhile, to effectively integrate the decoupled features, an uncertainty-aware decision fusion is also introduced to guide the network for dynamically integrating the decoupled features at the evidence level, while producing a reliable prediction with an estimated uncertainty. To the best of our knowledge, our proposed TrFedDis is the first work to develop an FL approach based on evidential uncertainty combined with feature disentangling, which enhances the performance and reliability of FL in non-IID domain features. Extensive experimental results show that our proposed TrFedDis provides outstanding performance with a high degree of reliability as compared to other state-of-the-art FL approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google