Federated Learning: 问题与优化算法_bias-eliminating augmentation learning for debiase

工作原因，听到和使用Federated Learning框架很多，但是对框架内的算法和架构了解不够细致，特读论文以记之。

这个系列计划要写的文章包括：

• Federated Learning: 问题与优化算法
• Federated Learning: 架构

Overall

Federated Learning, 中文翻译是联合学习，或者很多人翻译成联邦学习，是一种在移动端训练模型的框架。

不知为何，翻译成联邦学习总让我有点笑场，就像one-hot编码被翻译成独热编码一样。难不成以后还有帝国学习，共和国学习？ 下面只说联合学习。

正常的机器学习/深度学习模型都是在服务器端直接访问数据进行训练，但在实际的场景中，有很多情况下数据是不在服务器端的：

• 隐私内容: 比如商业数据，比如用户在输入法中直接输入的数据。
• 数据量大: 不太适合把所有数据都log到服务器上。

联合学习就是为了应对这种场景而生的。

联合学习

联合学习把数据和算法解耦合。在模型的训练中，首先把服务器把模型当前状态发送给移动端，移动端利用当前的模型状态和本地数据去进行计算，然后把梯度传送给服务器端，服务器端再去汇合不同设备上传回的梯度去进行模型的更新。

这样的训练看着很直观，但是相对于数据直接在服务器端来说，有如下问题：

• 数据并非独立同分布的。如果数据在服务器端，那么可以通过shuffle来让数据分布均匀，但是每一台device上，数据是有很强的bias的。
• 数据不均衡。有的设备上数据量很大，有的则很少。
• 大规模分布式。参加训练的设备相对于设备上的平均样本数来说要大的多。
• 有限通信。带宽很宝贵，因此训练过程中要尽可能的减少服务器和设备交流的次数。

除了这些之外，还有一些问题不在本文的讨论之中，但确也是非常实际的：

• 客户端数据在随时发生变化。
• device的可达性和数据的分布有一种复杂的相关关系，比如，时区的原因，美式英语的用户和英式英语的用户在不同的时间上线参与训练。
• device不返回梯度或者返回损坏的梯度。

为了解决上述的问题，联合学习采用的是可控环境下的同步式训练：

• 假设一共有K个客户端参与联合学习
• 每次选择C%的在线客户端。
  • 做这个选择是为了提高效率和减少错误率。
• 服务器端发送模型当前状态给选中的客户端。
• 客户端进行本地计算，参与训练的数据量为B(local_batch_size)，得到梯度。
• 客户端发送梯度更新给服务器。
• 服务器进行聚合和更新全局模型。

聚合梯度的公式如下，即不同client返回的梯度按照client上样本数目进行加权。这里假设数据是独立同分布的，当然，因为这个条件不成立，所以这只是一个近似。

FederatedAveraging算法

而联合学习的训练过程中，通信将会是瓶颈，因为网络传输的带宽比较小，联合学习一般设定最多占有1M/s的带宽。而由于很多device上数据较少或者有高端内核（很多设备都有GPU），所以算力反而不是问题。

而为了减少通信次数，有两种办法：

• 增大并行程度，即增大C，在每一轮训练中增加参与计算的设备。
  • 但这就面临设备出错率变高的问题。
• 增大每个设备上单轮的计算，即在每一轮训练中，每台设备上可能要计算多轮累积的梯度。
  • 这会遇到梯度更新不精确的问题。
  • 但后面会讲到，这个问题在实验中并不存在。

因而，在论文中，比较了两种方法：

• FedSGD: 就是SGD的联合学习版本，每次训练都使用device上的所有数据作为一个batch。进行属于增大并行程度的方法，当C=1的时候，可以认为是Full-Batch训练。
• FederatedAveraging: 基于FedSGD，但是在device上可以训练多步累积梯度，属于增大每个设备上单轮的运算。
  • 除了上面提到的K、C、B三个参数外，增加一个参数E，代表在device上每轮训练执行的计算的次数。所以当B=全部，E=1的时候，FederatedAveraging与FedSGD等价。

算法流程如下图所示：

模型混合

经过FederatedAveraging学到的模型，有点类似于模型混合。因为模型在每个device上经过多步训练之后可能会变得很不一样。

而在通用的模型混合问题中，最基本的要求就是模型的初始化要一致。如下图所示，不同方式初始化的模型做平均会得到差的结果(左图)，而相同的则是得到好的结果(右图)。

# 实验

增大客户端数目

首先使用MNIST做了一个模拟实验，实验分为IID和NON-IID数据集+不同的E/B参数。

MNIST一共十个类别，IID数据集是将数据集混排后随即分到100个客户端上，而NON-IID则是在每个客户端上只有2类的数据集，数据集都是均衡分布在各个客户端上的。

下图中，2NN是2层全连接神经网络，CNN是一个2层的卷积网络，每层卷积之后都有一个pooling，最后是一个512的全连接层。表格中的数字代表的是达到某个准确率需要的通信次数。其中2NN部分是达到97%准确率，CNN部分是达到99%准确率。

调整C，结果从下图可以得到：

• 参与的客户端越多，速度越快。
• B=全部的时候，增多客户端，带来的提升比较小，而在B=10的时候，增多客户端，能带来显著的速度提升。

增大客户端上的计算量

保持C=0.1，增大每轮训练在device上的计算梯度的次数，即增大E，得到的实验结果如下。 其中u代表的是每轮实验梯度被计算的次数。可以看到，在IID数据上提速很大，在NON-IID上提速小，但是也能有将近三倍的提升。

同时，还做了一个LSTM语言模型上的实验，这个实验的设置跟MNIST很像，也分为IID和NON-IID，其中NON-IID是按照人物角色来分的。同时，IID是均衡数据集，NON-IID是不均衡数据集。

可以看到，在不均衡的NON-IID数据集上，FEDAVG却能带来95.3倍的提升，反而比IID均衡数据集要快。

但是需要注意的是，一直增大E，结果反而会适得其反，因为会导致模型在各个客户端上发散。因为会导致模型发散。如下图所示。

所以对于一些模型，比较好的方法是让E随着训练步数的增加而递减。这样有利于收敛。

Cifar10实验

在Cifar10上也进行了实验，这次是均衡的IID数据，结果如下图，可以看到，相对于普通的SGD，达到相同的准确率，FedSGD和FedAvg都有更少的通信次数。

大规模LSTM Next Word Prediction实验

将10M个某社交网站文档分到50k个设备上，同一个作者的会被分到同一个设备上，同时每个设备限制嘴都5000个词语。LSTM词表是10k。LSTM是单层256节点。embedding是192，LSTM输入的序列长度是10。

结果如下图, FedAvg在35轮的时候就能达到SGD在服务器端的效果。同时比FedAvg快23倍。

总结与思考

作为联合学习实用化的开山之作，论文提出的FedAvg优化算法，做了很多的对比实验，实验在不同的数据集上得到的略有不同的结论。但证明了在设备端做mini-batch的是完全可行的，同时，设备端还可以多做几轮计算来积累梯度也有助于减少通信次数。

与其他的算法不同，联合学习考虑的不再是算力问题，而是通信问题，减少通信次数成了最高优先级，这点是个全新的思考方向。

勤思考， 多提问是Engineer的良好品德。

提问：

• 如果设备端只返回梯度，那么有没有可能通过梯度反推数据呢？如何避免这个问题？
• 因为手机端内存有限，所以无法训练大的模型，有没有方法可以绕过这个限制得到大模型？

回答后续公布，欢迎关注公众号【雨石记】.

参考论文

• [1]. McMahan, Brendan, et al. “Communication-efficient learning of deep networks from decentralized data.” Artificial Intelligence and Statistics. 2017.