FedPix: transmisión de imágenes comprimidas desde el cliente para reducir las filtraciones en el aprendizaje federado

15 noviembre 20261 vistas

El artículo analiza qué información debe permitirse que el cliente envíe al servidor y propone entrenar la transmisión de imágenes compactas y verificables visualmente, en lugar de pesos del modelo o representaciones intermedias. En BloodMNIST, CIFAR-10, FashionMNIST y MNIST, el método obtiene un PSNR bajo en la reconstrucción y reduce el tiempo en el cliente hasta un 96,0%, con una precisión del 65,63–99,18%.

FedPix: transmisión de imágenes comprimidas desde el cliente para reducir las filtraciones en el aprendizaje federado

Problema: qué no resuelven los enfoques habituales

Los enfoques existentes de inteligencia federada se centran en el entrenamiento o la agregación de modelos. La cuestión de qué información transmitir desde el cliente sigue sin abordarse. Esto genera limitaciones.

  • A los usuarios les resulta difícil verificar las actualizaciones de los modelos.
  • Las representaciones de datos pueden revelar información sensible.
  • Generar representaciones puede ser costoso desde el punto de vista computacional para clientes con recursos limitados.

FedPix aprende a transmitir imágenes compactas que pueden verificarse visualmente. Es una alternativa a las actualizaciones de modelos y las características intermedias. Criterio de selección: si los datos transmitidos deben ser verificables por una persona y los recursos del cliente son limitados, vale la pena considerar este enfoque.

Mecánica: qué datos transmite el cliente

El cliente envía imágenes compactas que pueden verificarse visualmente. Las representaciones transmitidas participan en el aprendizaje de qué información seleccionar: qué conservar y qué descartar. El método equilibra la utilidad para la tarea y la resistencia a la reconstrucción.

Opción de transmisiónQué se transmiteQué hay que tener en cuenta
Actualizaciones del modeloActualizaciones del modeloA los usuarios les resulta difícil verificarlas
Características intermediasRepresentaciones de datosPueden revelar información sensible; generarlas es costoso para clientes con recursos limitados
FedPixImágenes compactas que pueden verificarse visualmenteEquilibrio entre utilidad y resistencia a la reconstrucción

El servidor mejora las representaciones sin acceder a los datos originales de los clientes. El coste computacional para el cliente es bajo. Los autores parten de la premisa de que la clasificación de imágenes no requiere todos los detalles visuales necesarios para reconstruir la imagen original.

Criterio de selección: la opción de transmisión debe permitir la verificación visual. El servidor no debe acceder a los datos originales de los clientes. El coste para el cliente debe mantenerse bajo.

Resultados: precisión, resistencia a la reconstrucción y tiempo

FedPix se evaluó en BloodMNIST, CIFAR-10, FashionMNIST y MNIST. Los autores informan de la precisión de clasificación y presentan por separado las métricas de resistencia a la reconstrucción y el tiempo de ejecución en el cliente.

Conjunto de datosPrecisión de clasificación
MNIST99.18%
FashionMNIST89.97%
BloodMNIST82.24%
CIFAR-1065.63%
  • PSNR de reconstrucción: hasta 6.87 dB.
  • PSNR sintético: hasta 6.74 dB.
  • Reducción del tiempo de ejecución en el cliente: hasta un 96.0%.
  • En CIFAR-10, el tiempo se redujo de 1223 s a 49 s.

Criterio de selección: comparar la precisión en el conjunto de datos objetivo con la precisión aceptable para la tarea. Evaluar por separado el tiempo en el cliente y la resistencia a la reconstrucción.

Límites de aplicabilidad

FedPix funciona con la clasificación de imágenes. Los autores parten de la premisa de que la clasificación no requiere todos los detalles visuales necesarios para la reconstrucción. Los experimentos abarcan cuatro conjuntos de datos.

  • La tarea es la clasificación de imágenes.
  • El conjunto de datos objetivo es BloodMNIST, CIFAR-10, FashionMNIST o MNIST.
  • El artículo no incluye otras tareas ni otros conjuntos de datos.

Criterio: comprobar que la tarea sea la clasificación de imágenes y que el conjunto de datos sea uno de los cuatro incluidos en el artículo. El artículo no incluye otras tareas ni otros conjuntos de datos.

Fuente y estado

Los autores presentaron el método FedPix en el artículo «FedPix: Learning What to Share with Less Leakage in Federated Intelligence». El artículo se publicó en arXiv con el número arXiv:2610.21194. Los autores indicaron las fechas: v1 — 15 de octubre de 2026, v2 — 19 de octubre de 2026.

  • Autores: Jingwei Zhao, Tiantong Sun, Yuanyuan Song, Jinhuan Guo, Zishuo Wei, Shengyu Huang, Ziyuan Ren, Wei Chen y Xiaojin Zhang.
  • Jingwei Zhao y Tiantong Sun contribuyeron por igual.

Criterio de verificación: antes de citarlo, comprobar la versión del artículo y la lista de autores.

Preguntas frecuentes

Material similar

Todos los materiales
MaRK: modulación contextual de parámetros recurrentes en SSM preentrenados
Noticias

MaRK: modulación contextual de parámetros recurrentes en SSM preentrenados

Se propone un enfoque que adapta al contexto el operador recurrente de un modelo de espacio de estados congelado mediante cambios de parámetros de bajo rango, influyendo en el núcleo «entrada-salida» en cada paso de generación. La comparación de tres geometrías de adaptadores muestra la superioridad de los polinomios de Chebyshev en cuanto al error de validación, y la parametrización restringida permite comprobar analíticamente la estabilidad.

14 noviembre 2026
B-PINN y el sesgo de colisionador: causas, diagnóstico y alternativa en cadena
Noticias

B-PINN y el sesgo de colisionador: causas, diagnóstico y alternativa en cadena

Los autores muestran que el esquema B-PINN habitual, en el que los parámetros a priori independientes se vinculan mediante verosimilitudes virtuales de los residuos de las ecuaciones diferenciales, puede sesgar sistemáticamente las estimaciones posteriores de las magnitudes físicas. Como alternativa, proponen un modelo jerárquico de cadena con discretización de la dinámica estocástica y muestreo mediante particle MCMC, además de ofrecer criterios para diagnosticar la fiabilidad del enfoque estándar.

14 noviembre 2026
Ajuste fino de modelos generativos de imágenes: consideración conjunta de preferencias y rúbricas
Noticias

Ajuste fino de modelos generativos de imágenes: consideración conjunta de preferencias y rúbricas

El artículo describe un método de posentrenamiento de modelos text-to-image de dominio abierto, en el que la señal de las preferencias humanas se complementa con comprobaciones basadas en rúbricas del cumplimiento del prompt y de las propiedades deseadas. Los resultados indican que la media ponderada de las recompensas rinde peor que el esquema propuesto y que, en la instantánea de Arena, Flux2dev e Ideogram-4, tras el ajuste fino, muestran un aumento notable de Elo.

14 noviembre 2026
FedPix: transmisión de imágenes comprimidas desde el cliente para reducir las filtraciones en el aprendizaje federado