本文經(jīng)AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯(lián)系出處。

隨著深度學習大獲成功，保護用戶數(shù)據(jù)隱私變得越來越重要。

聯(lián)邦學習（Federated Learning）應運而生，這是一種基于隱私保護的分布式機器學習框架。

它可以讓原始數(shù)據(jù)保留在本地，讓多方聯(lián)合共享模型訓練。

但它有一個問題——數(shù)據(jù)的異質化（data heterogeneity），即不同的參與方的本地數(shù)據(jù)來自不同的分布，這將嚴重影響全局模型的最終性能，背后原因也十分復雜。

字節(jié)跳動、新加坡國立大學及中科院自動化所的學者們首次發(fā)現(xiàn)了關鍵影響因素。

即：數(shù)據(jù)異質化導致了表征的維度坍縮（dimensional collapse），由此大大限制了模型的表達能力，影響了最終全局模型的性能。

為了緩解這一問題，研究人員提出了一個新聯(lián)邦學習正則項：FedDecorr。

結果表明，使用該方法后，數(shù)據(jù)異質化帶來的維度坍縮問題被有效緩解，顯著提升模型在該場景下的性能。

同時這一方法實現(xiàn)簡單，幾乎不會帶來額外計算負擔，可以很容易地加入到多種聯(lián)邦學習算法上。

如何影響？

觀察一：更嚴重的數(shù)據(jù)異質化會為全局模型（global model）帶來更嚴重的維度坍縮

首先，為了更好地理解數(shù)據(jù)異質化是如何影響全局模型輸出表征的，研究人員探索了隨著數(shù)據(jù)異質化越來越嚴重，全局模型輸出表征是如何而變化的。

基于模型輸出的表征，估計其表征分布的協(xié)方差矩陣（covariance matrix），并且按照從大到小的順序可視化了該協(xié)方差矩陣的特征值。結果如下圖所示。α越小，異質化程度越高，α為正無窮時為同質化場景。k為特征值的index。

對于該曲線，如果特征值大部分相對較大，即意味著表征能夠更加均勻地分布在不同的特征方向上。而如果該曲線只有前面少數(shù)特征值較大，而后面大部分特征值都很小，就意味著表征分布被壓縮在少數(shù)特征方向上，即維度坍縮現(xiàn)象。

因此，從圖中可以看到，隨著數(shù)據(jù)異質化程度越來越高（α越來越小），維度坍縮的現(xiàn)象就越來越嚴重。

觀察二：全局模型的維度坍縮來自聯(lián)邦參與各方的局部模型的維度坍縮

由于全局模型是聯(lián)邦參與各方的局部模型融合的結果，因此作者推斷：全局模型的維度坍縮來源于聯(lián)邦參與各方的局部模型的維度坍縮。

為了進一步驗證該推斷，作者使用與觀察1類似的方法，針對不同程度數(shù)據(jù)異質化場景下得到的局部模型進行了可視化。結果如下圖所示。

從圖中可以看到，對于局部模型，隨著數(shù)據(jù)異質化程度的提升，維度坍縮的現(xiàn)象也越來越嚴重。因此得出結論，全局模型的維度坍縮來源于聯(lián)邦參與各方的局部模型的維度坍縮。

怎么解決？

受到以上兩個觀察的啟發(fā)，由于全局模型的維度坍縮來源于本地局部模型的維度坍縮，研究人員提出在本地訓練階段來解決聯(lián)邦學習中的表征維度坍縮問題。

首先，一個最直觀的可用的正則項為以下形式：

其中為第個特征值。該正則項將約束特征值之間的方差變小，從而使得較小的特征值不會偏向于0，由此緩解維度坍縮。

然而，直接計算特征值往往會帶來數(shù)值不穩(wěn)定，計算時間較長等問題。因此借助以下proposition來改進方法。

為了方便處理，需要對表征向量做z-score歸一化。這將使得協(xié)方差矩陣變成相關系數(shù)矩陣（對角線元素都是1）。

基于這個背景，可以得到以下proposition：

這一proposition意味著，原本較為復雜的基于特征值的正則化項，可以被轉化為以下易于實現(xiàn)且計算方便的目標：

該正則項即是簡單的約束表征的相關系數(shù)矩陣的Frobenius norm更小。研究人員將該方法命名為FedDecorr。

因此，對于每個聯(lián)邦學習參與方，本地的優(yōu)化目標為：

其中為分類的交叉熵損失函數(shù)，β為一個超參數(shù)，即FedDecorr正則項的系數(shù)。?

實驗結果

首先，驗證使用FedDecorr是否可以有效緩解維度坍縮。

在α=0.01/0.05這兩個強數(shù)據(jù)異質化的場景下，觀察使用FedDecorr對模型輸出表征的影響。

結果如下圖所示。

可以看到，使用FedDecorr可以有效地緩解本地局部模型的維度坍縮，從而進一步緩解全局模型的維度坍縮。

在CIFAR10/100兩個數(shù)據(jù)集上驗證方法。研究團隊發(fā)現(xiàn)FedDecorr可以很方便的加入到之前提出的多個聯(lián)邦學習方法，并且?guī)盹@著提升：

同時，為了展示方法的可擴展性，作者在較大規(guī)模數(shù)據(jù)集（TinyImageNet）上進行了實驗，并且也觀察到了顯著提升：

此外還基于TinyImageNet，驗證了FedDecorr在更大規(guī)模聯(lián)邦參與方的場景下的有效性。

結果如下表。通過實驗結果展示了FedDecorr可以被用于較大規(guī)模聯(lián)邦參與方的場景。

FedDecorr對正則項系數(shù)（超參數(shù)β）的魯棒性結果如下圖所示。

通過實驗，發(fā)現(xiàn)FedDecorr對于其超參數(shù)β有較強的魯棒性。

同時發(fā)現(xiàn)將β設為0.1是一個不錯的默認值。

最后，研究人員驗證了在聯(lián)邦學習時，使用不同的local epoch下FedDecorr也可以帶來普遍的提升：

論文地址：?https://arxiv.org/abs/2210.00226?
代碼鏈接：
?https://github.com/bytedance/FedDecorr