ترجمه فارسی مقاله مقابله با کلاینت‌های پرسروصدا در یادگیری فدرال با اصلاح برچسب سرتاسری

چکیده

Recently, federated learning (FL) has achieved wide successes for diverse privacy-sensitive applications without sacrificing the sensitive private information of clients. However, the data quality of client datasets can not be guaranteed since corresponding annotations of different clients often contain complex label noise of varying degrees, which inevitably causes the performance degradation. Intuitively, the performance degradation is dominated by clients with higher noise rates since their trained models contain more misinformation from data, thus it is necessary to devise an effective optimization scheme to mitigate the negative impacts of these noisy clients. In this work, we propose a two-stage framework FedELC to tackle this complicated label noise issue. The first stage aims to guide the detection of noisy clients with higher label noise, while the second stage aims to correct the labels of noisy clients’ data via an end-to-end label correction framework which is achieved by learning possible ground-truth labels of noisy clients’ datasets via back propagation. We implement sixteen related methods and evaluate five datasets with three types of complicated label noise scenarios for a comprehensive comparison. Extensive experimental results demonstrate our proposed framework achieves superior performance than its counterparts for different scenarios. Additionally, we effectively improve the data quality of detected noisy clients’ local datasets with our label correction framework. The code is available at https://github.com/Sprinter1999/FedELC.

چکیده به فارسی (ترجمه ماشینی)

به تازگی ، یادگیری فدراسیون (FL) بدون قربانی کردن اطلاعات خصوصی حساس مشتری ، برای برنامه های متنوع حساس به حریم خصوصی به موفقیت های گسترده ای رسیده است.با این حال ، کیفیت داده های مجموعه داده های مشتری نمی تواند تضمین شود زیرا حاشیه نویسی مربوط به مشتریان مختلف اغلب حاوی سر و صدای برچسب پیچیده درجات مختلف است ، که به ناچار باعث تخریب عملکرد می شود.به طور شهودی ، تخریب عملکرد توسط مشتریانی که میزان نویز بیشتری دارند حاکم است زیرا مدل های آموزش دیده آنها حاوی اطلاعات نادرست بیشتر از داده ها هستند ، بنابراین لازم است یک طرح بهینه سازی مؤثر برای کاهش تأثیرات منفی این مشتری های پر سر و صدا ابداع شود.در این کار ، ما یک چارچوب دو مرحله ای FEDELC را برای مقابله با این مسئله سر و صدای برچسب پیچیده پیشنهاد می کنیم.مرحله اول با هدف هدایت تشخیص مشتری های پر سر و صدا با سر و صدای برچسب بالاتر ، در حالی که مرحله دوم با هدف تصحیح برچسب های داده های مشتری پر سر و صدا از طریق یک چارچوب تصحیح برچسب پایان تا انتها که با یادگیری برچسب های احتمالی حقیقت زمین حاصل می شوداز مجموعه داده های مشتری پر سر و صدا از طریق انتشار پشت.ما شانزده روش مرتبط را پیاده سازی می کنیم و پنج مجموعه داده را با سه نوع سناریو سر و صدای برچسب پیچیده برای مقایسه جامع ارزیابی می کنیم.نتایج تجربی گسترده نشان می دهد که چارچوب پیشنهادی ما به عملکرد برتر نسبت به همتایان خود برای سناریوهای مختلف دست می یابد.علاوه بر این ، ما به طور موثری کیفیت داده های داده های محلی مشتری های پر سر و صدا را با چارچوب تصحیح برچسب خود بهبود می بخشیم.این کد در https://github.com/sprinter1999/fedelc در دسترس است.