FedPix: transmisi gambar terkompresi dari klien untuk mengurangi kebocoran dalam pembelajaran federatif

15 November 20261 tampilan

Artikel ini membahas informasi apa yang sebaiknya diizinkan untuk dikirim klien ke server, serta mengusulkan pelatihan untuk mengirim gambar ringkas yang dapat diperiksa secara visual alih-alih bobot model atau representasi perantara. Pada BloodMNIST, CIFAR-10, FashionMNIST, dan MNIST, pendekatan ini menunjukkan PSNR rekonstruksi yang rendah dan mengurangi waktu klien hingga 96,0%, dengan akurasi 65,63–99,18%.

FedPix: transmisi gambar terkompresi dari klien untuk mengurangi kebocoran dalam pembelajaran federatif

Masalah: apa yang tidak dapat diatasi oleh skema konvensional

Pendekatan yang ada untuk kecerdasan terfederasi berfokus pada pelatihan atau agregasi model. Pertanyaan tentang informasi apa yang perlu dikirim dari klien masih belum mendapat perhatian. Hal ini menimbulkan sejumlah keterbatasan.

  • Pembaruan model sulit diperiksa oleh pengguna.
  • Representasi data dapat mengungkapkan informasi sensitif.
  • Pembuatan representasi dapat membebani komputasi klien dengan sumber daya terbatas.

FedPix mempelajari cara mengirim gambar ringkas yang dapat diperiksa secara visual. Ini merupakan alternatif untuk pembaruan model dan fitur perantara. Kriteria pemilihan: jika data yang dikirim perlu diperiksa oleh manusia dan sumber daya klien terbatas, pendekatan ini layak dipertimbangkan.

Mekanisme: data yang dikirim klien

Klien mengirim gambar ringkas yang dapat diperiksa secara visual. Representasi yang dikirim digunakan untuk melatih proses pemilihan informasi: apa yang perlu disimpan dan apa yang perlu dibuang. Metode ini menyeimbangkan kegunaan untuk tugas dan ketahanan terhadap rekonstruksi.

Opsi pengirimanData yang dikirimHal yang perlu dipertimbangkan
Pembaruan modelPembaruan modelSulit diperiksa oleh pengguna
Fitur perantaraRepresentasi dataDapat mengungkapkan informasi sensitif; pembuatannya membebani klien dengan sumber daya terbatas
FedPixGambar ringkas yang dapat diperiksa secara visualKeseimbangan antara kegunaan dan ketahanan terhadap rekonstruksi

Server menyempurnakan representasi tanpa mengakses data klien asli. Sementara itu, beban komputasi di sisi klien tetap rendah. Para penulis berangkat dari asumsi bahwa klasifikasi gambar tidak membutuhkan semua detail visual yang diperlukan untuk merekonstruksi gambar asli.

Kriteria pemilihan: opsi pengiriman harus memungkinkan pemeriksaan visual. Server tidak boleh mendapat akses ke data klien asli. Beban di sisi klien harus tetap rendah.

Hasil: akurasi, ketahanan terhadap rekonstruksi, dan waktu

FedPix diuji pada BloodMNIST, CIFAR-10, FashionMNIST, dan MNIST. Para penulis melaporkan akurasi klasifikasi serta menyajikan secara terpisah metrik ketahanan terhadap rekonstruksi dan waktu eksekusi di sisi klien.

DatasetAkurasi klasifikasi
MNIST99.18%
FashionMNIST89.97%
BloodMNIST82.24%
CIFAR-1065.63%
  • PSNR rekonstruksi — hingga 6.87 dB.
  • PSNR sintetis — hingga 6.74 dB.
  • Pengurangan waktu eksekusi di sisi klien — hingga 96.0%.
  • Pada CIFAR-10, waktu berkurang dari 1223 dtk menjadi 49 dtk.

Kriteria pemilihan: bandingkan akurasi pada dataset target dengan tingkat akurasi yang dapat diterima untuk tugas tersebut. Evaluasi waktu di sisi klien dan ketahanan terhadap rekonstruksi secara terpisah.

Batas penerapan

FedPix digunakan untuk klasifikasi gambar. Para penulis berangkat dari asumsi bahwa klasifikasi tidak membutuhkan semua detail visual yang diperlukan untuk rekonstruksi. Eksperimen mencakup empat dataset.

  • Tugasnya adalah klasifikasi gambar.
  • Dataset target termasuk BloodMNIST, CIFAR-10, FashionMNIST, atau MNIST.
  • Artikel ini tidak membahas tugas dan dataset lainnya.

Kriteria: pastikan bahwa tugasnya adalah klasifikasi gambar dan datasetnya salah satu dari empat dataset dalam artikel. Artikel ini tidak membahas tugas dan dataset lainnya.

Sumber dan status

Para penulis memperkenalkan metode FedPix dalam artikel “FedPix: Learning What to Share with Less Leakage in Federated Intelligence”. Artikel tersebut diterbitkan di arXiv dengan nomor arXiv:2610.21194. Para penulis mencantumkan tanggal berikut: v1 — 15 Oktober 2026, v2 — 19 Oktober 2026.

  • Penulis: Jingwei Zhao, Tiantong Sun, Yuanyuan Song, Jinhuan Guo, Zishuo Wei, Shengyu Huang, Ziyuan Ren, Wei Chen, dan Xiaojin Zhang.
  • Jingwei Zhao dan Tiantong Sun berkontribusi secara setara.

Kriteria verifikasi: periksa versi artikel dan daftar penulis sebelum mengutipnya.

Pertanyaan yang sering ditanyakan

Bahan terkait

Semua bahan
MaRK: modulasi kontekstual parameter rekuren pada SSM pralatih
Berita

MaRK: modulasi kontekstual parameter rekuren pada SSM pralatih

Pendekatan ini menyesuaikan operator rekuren dari model ruang-keadaan beku terhadap konteks melalui perubahan parameter berperingkat rendah, sehingga memengaruhi kernel «input—output» pada setiap langkah generasi. Perbandingan tiga geometri adaptor menunjukkan keunggulan polinomial Chebyshev dalam hal kesalahan validasi, sementara parameterisasi terbatas memungkinkan pemeriksaan stabilitas secara analitis.

14 November 2026
B-PINN dan pergeseran kolider: penyebab, diagnosis, dan alternatif berbasis rantai
Berita

B-PINN dan pergeseran kolider: penyebab, diagnosis, dan alternatif berbasis rantai

Para penulis menunjukkan bahwa skema B-PINN yang umum digunakan, di mana parameter apriori independen dihubungkan melalui likelihood virtual dari residual persamaan diferensial, dapat secara sistematis menggeser estimasi posterior besaran fisik. Sebagai gantinya, mereka mengusulkan model rantai hierarkis dengan diskretisasi dinamika stokastik dan pengambilan sampel particle MCMC, serta memberikan kriteria untuk mendiagnosis keandalan pendekatan standar.

14 November 2026
Penyempurnaan model generatif gambar: mempertimbangkan preferensi dan kategori secara bersamaan
Berita

Penyempurnaan model generatif gambar: mempertimbangkan preferensi dan kategori secara bersamaan

Artikel ini menjelaskan metode pascapelatihan model text-to-image dalam domain terbuka, dengan sinyal preferensi manusia yang dilengkapi pemeriksaan berbasis rubrik terhadap kesesuaian dengan prompt dan sifat yang diinginkan. Hasilnya menunjukkan bahwa perataan berbobot atas reward kalah dari skema yang diusulkan, sementara dalam snapshot Arena, Flux2dev dan Ideogram-4 yang telah disempurnakan menunjukkan peningkatan Elo yang signifikan.

14 November 2026
FedPix: transmisi gambar terkompresi dari klien untuk mengurangi kebocoran dalam pembelajaran federatif