Personalized Interpretation on Federated Learning: A Virtual Concepts approach

处理非独立同分布数据是联邦学习研究中的一个开放性挑战。现有的联邦学习方法，包括鲁棒性联邦学习和个性化联邦学习，旨在提高模型性能，但没有考虑解释客户端之间的非IID问题。本文旨在设计一种新的联邦学习方法，以强化和解释客户端之间的非IID数据。具体而言，我们将每个客户端的数据集解释为一个概念向量的混合，其中每个向量代表一个可解释的概念，以满足最终用户的需求。这些概念向量可以是预定义的，也可以通过联邦学习系统的优化过程进行学习或人工加工。除了可解释性外，客户端特定个性化的清晰度也可以应用于增强FL系统的训练过程的鲁棒性。该方法的有效性已在基准数据集上得到验证。

提出一种新的联邦学习方法，解决非独立同分布数据在联邦学习中的问题。

将每个客户端的数据集解释为概念向量的混合物，每个向量代表一个可解释的概念，以提高联邦学习的解释性和鲁棒性。

该方法在基准数据集上进行了验证，证明了其有效性。该方法的亮点包括解释性和个性化，可以通过人机交互或联邦学习系统的优化过程来学习概念向量。

当前联邦学习领域的研究包括鲁棒联邦学习和个性化联邦学习，但这些方法并没有考虑解释非独立同分布数据的问题。