白话搞懂【联邦学习】_垂直联邦学习

联邦学习（Federated Learning）近几年很火，本文拟用最通俗语言解释联邦学习的来龙去脉。

分布式学习是什么

其实联邦学习没有那么新颖，任何技术都是有一条主链的，并不是从石头里蹦出来。联邦学习的前身就是分布式学习。（并不是说联邦学习就取代分布式学习，各有适合的场景）
那先简单介绍一下分布式学习，就是你有一个模型要训练，而你手头上有多个CPU或GPU，这时你就想在多个计算节点上同时训练这个模型，来加快训练，这就是分布式学习。一般这些节点有一个老大哥，叫server；一群小弟，叫worker。那么很直观的有两招，同步（多个worker训练完模型的一部分，同时与server通信。），异步（每个worker训练完模型的一部分后就立刻可以与server通信，从而进入下一轮计算。）

左图为同步，右图为异步

同步（MapReduce）

 

异步（Parameter Server）

现在一般都是异步，因为同步的代价很大，而且会有木桶效应，算力强的节点会被算力弱的节点拖住。但是异步也有它的挑战，比如如果一个算力强的节点已经算了7、8轮，一个算力弱的节点才计算完1轮，这时这个比较迟更新的梯度基于的是老参数，对模型有可能是有害的，即需要设备算力比较均匀。

 

去中心化

还有一个方案就是去中心化，简单来说就是没有老大哥server了，又或者个个都是server。

题外话：并行计算和分布式学习其实就一个东西，严格点定义就是节点与server之间通信时是有线且在一个不大的区域内，就是并行计算；如果是无线通信，一般我们就叫它分布式计算。

联邦学习是什么

联邦学习是为了解决一些特殊场景下分布式学习，可以理解为分布式学习的一种，带约束的分布式学习。
比如现在想基于用户的手机上产生的数据来训练模型，那么多台手机，我们自然想到分布式学习，但是，现在手机上的数据因为隐私问题我们不希望传到server，手机（worker）对数据有绝对的控制权；同样的场景也有像银行、保险公司、医院等有数据隐私的地方，它们想参与分布式学习，但是还想对数据有绝对控制权。
所以联邦学习就是允许多个参与者协同训练共享模型，同时保持各自数据的隐私和安全。
在联邦学习中，数据不需要集中存储或处理，而是保留在本地。模型的更新（如梯度或模型参数）在本地计算，然后被发送到中央服务器进行聚合，最终形成更新后的全局模型。

分类

根据数据分布：

• 水平联邦学习（Horizontal FL）：不同参与者的数据在特征空间上相似，但在样本空间上不同。
• 垂直联邦学习（Vertical FL）：不同参与者的数据在样本空间上相似，但在特征空间上不同。

 
根据模型更新的方式分类：

• 同步更新：所有参与者同时进行本地更新，然后进行聚合。
• 异步更新：参与者在完成本地更新后即可发送更新，无需等待其他参与者。

 

联邦学习与分布式学习区别（Challenge）

联邦学习有它自己的特点：

1. Worker对数据有绝对控制权，不上传到server。（分布式学习server有时会分发数据和要求worker上传数据）
2. Worker不稳定，且异构性强。 比如手机有时会关机；手机和ipad不一样，且即使都是手机，型号也不一样。（分布式学习的worker默认是24小时工作，且设备差异不大）
3. Worker与Server通信代价很大，大于计算的代价，比如手机有时离server很远，通信带宽小，延迟高等。
4. 数据不平衡不均匀，不是独立同分布的。（数据孤岛）

个人理解，分布式学习：专职；联邦学习：兼职（不稳定，异构性强）

 

前沿方向

1. 主流的一个研究问题就是怎么减少节点的通信次数（因为通信代价大嘛，所以想communication-efficient）。经典的方法为 Federated averaging。对于worker，它收到下发的权重w后，用本地data多次地更新w：算梯度g，然后梯度下降更新w，再算梯度g，再更新w。。多次计算后，将最终的w发往server。而server收到多个worker上发的w，对它们求个平均，搞定，再下发给worker。。整个过程很简单，与分布式学习的区别就是边缘节点做了大量的本地计算，以牺牲计算量为代价换取更少通信次数。（一定通信次数后，Federated averaging的方法能使模型收敛更快。）（许多研究已经表明联邦学习的数据不需要独立同分布）
2. 隐私（Privacy）：梯度只是对数据做了个变换，worker上传的梯度多少带有数据的一些特征，所以可以拿梯度反推数据（性别、种族、年龄、疾病。。） 直观的解决方法：为上传的梯度加噪声（noise），但是效果不好，因为加了noise会影响模型的训练，noise太小也没有什么意义，所以这方向我感觉还没有太有效的方法。
3. 提高鲁棒性：如果worker中有不稳定的/异常的节点，它可能发送错误或有害的信息到server，影响模型训练。比较直观的方法，让server对收到的梯度或权重进行验证（但是因为worker的异构性，梯度或权重总是有些区别，所以这个区别正常worker和异常worker验证方法比较难设计）。或是让server用别的方法更新w，比如不用求平均，用求中位数，等等。
4. 与其他学习范式的结合：如联邦学习与强化学习、迁移学习的结合，以解决更广泛的问题。
5. 去中心化联邦学习：研究去中心化的方法，其中不依赖于中央服务器，而是通过点对点的方式进行模型的更新和聚合。