标签: federated-learning

我选择了这个数据集：https : //www.kaggle.com/karangadiya/fifa19

现在，我想将此 CSV 文件转换为联合数据集以适应模型。

Tensorflow 提供了有关联邦学习的教程，其中使用了预定义的数据集。但是，我的问题是如何将此特定数据集用于联合学习场景？

我是联邦学习的新手，刚刚了解 TensorFlow Federated TFF 框架。我脑子里有一些问题，如果有人能澄清这些问题，我将不胜感激：

1. 联合平均算法是 TFF 支持的唯一聚合算法吗？它与联合随机梯度下降有何不同？
2. 联合平均是否需要每个客户端接受神经网络培训？或者可以使用任何机器学习算法来训练本地数据？
3. 我有大数据，我计划将数据划分为较小的数据集，并将每个部分作为一个客户端进行模拟？这在 TFF 中有效吗？它是否考虑水平或垂直联合学习？

提前致谢

尝试实现研究论文： https://ieeexplore.ieee.org/document/9479786/ 使用架构训练单调网络：

class Model(nn.Module):
  def __init__(self, q, s):
    self.layer_s_list = [nn.Linear(5, s) for _ in range(q)]
    self.inv_w, self.inv_b = self.get_layer_weights()
      
  def forward(self, x):
    # print(inv_w[0].shape, inv_b[0].shape)
    output_lst = []
    for layer in self.layer_s_list:
      v, id = torch.max(layer(x), 1)
      output_lst.append(v.detach().numpy())
    output_lst = np.array(output_lst)
    output_lst = torch.from_numpy(output_lst)
    out, _ = torch.min(output_lst, 0)
    allo_out = F.softmax(out)
    pay_out = nn.ReLU(inplace = True)(out)
    inv_out_lst = []
    
    for q_idx in range(len(self.inv_w)):
      # print(inv_w[q_idx].shape, pay_out.shape, inv_b[q_idx].shape)
      y, _ = torch.min(torch.linalg.pinv(self.inv_w[q_idx]) * (pay_out - self.inv_b[q_idx]), 0)
      inv_out_lst.append(y.detach().numpy()) …