Spiking Neural Networks in Vertical Federated Learning: Performance Trade-offs

联邦学习使得在保护数据隐私的前提下，可以跨多个客户端进行模型训练。垂直联邦学习（VFL）专门处理客户端具有相同样本的不同特征集的情况。由于联邦学习模型旨在提高效率和适应性，因此创新的神经网络架构（如脉冲神经网络（SNN））正在被利用，以实现在边缘进行快速和准确的处理。SNN以其在人工神经网络（ANN）上的高效性而闻名，但迄今为止尚未分析其在VFL中的适用性。在本文中，我们研究了在垂直联邦学习环境中使用SNN模型的优点和权衡。我们实现了两种不同的联邦学习架构——带有模型分割和不带模型分割——它们具有不同的隐私和性能影响。我们使用CIFAR-10和CIFAR-100基准数据集以及VGG9和ResNET分类模型的SNN实现来评估设置。比较评估表明，与传统的ANN相比，SNN模型在VFL应用中的准确性相当，但显着更节能。

研究垂直联邦学习中使用脉冲神经网络（SNN）的效果及其与传统人工神经网络（ANN）的比较。

论文探讨了在垂直联邦学习中使用SNN模型的优点和权衡，并实现了两种不同的联邦学习架构进行比较评估。结果显示，SNN模型在VFL应用中的准确性与传统ANN相当，但能更加节能。

论文使用了CIFAR-10和CIFAR-100数据集，实现了VGG9和ResNET分类模型的SNN版本。比较评估表明，SNN模型在VFL应用中的准确性与传统ANN相当，但能更加节能。

最近的相关研究包括在联邦学习中使用不同类型的神经网络模型，以及在隐私保护和性能方面的改进。