FedPix: transmissão de imagens comprimidas do cliente para reduzir o vazamento no aprendizado federado

15 novembro 20261 visualizações

O artigo analisa que informações devem ser permitidas ao cliente enviar ao servidor e propõe treinar o envio de imagens compactas e visualmente verificáveis, em vez de pesos do modelo ou representações intermediárias. Em BloodMNIST, CIFAR-10, FashionMNIST e MNIST, a abordagem apresenta baixo PSNR na reconstrução e reduz o tempo no cliente em até 96,0%, com uma precisão de 65,63–99,18%.

FedPix: transmissão de imagens comprimidas do cliente para reduzir o vazamento no aprendizado federado

Problema: o que as abordagens habituais não resolvem

As abordagens existentes à inteligência federada concentram-se no treino ou na agregação de modelos. A questão de que informação transmitir do cliente continua sem resposta. Isto cria limitações.

  • As atualizações do modelo são difíceis de verificar pelos utilizadores.
  • As representações dos dados podem revelar informações sensíveis.
  • A geração de representações pode ser computacionalmente dispendiosa para clientes com recursos limitados.

O FedPix aprende a transmitir imagens compactas e verificáveis visualmente. É uma alternativa às atualizações do modelo e às características intermédias. Critério de escolha: se os dados transmitidos tiverem de ser verificados por uma pessoa e os recursos do cliente forem limitados, vale a pena considerar esta abordagem.

Mecânica: que dados transmite o cliente

O cliente envia imagens compactas e verificáveis visualmente. As representações transmitidas participam na aprendizagem da seleção de informação: o que preservar e o que descartar. O método equilibra a utilidade para a tarefa e a resistência à reconstrução.

Opção de transmissãoO que é transmitidoAspetos importantes
Atualizações do modeloAtualizações do modeloSão difíceis de verificar pelos utilizadores
Características intermédiasRepresentações dos dadosPodem revelar informações sensíveis; a geração é dispendiosa para clientes com recursos limitados
FedPixImagens compactas e verificáveis visualmenteEquilíbrio entre utilidade e resistência à reconstrução

O servidor melhora as representações sem aceder aos dados originais dos clientes. Os custos computacionais no cliente são baixos. Os autores partem do princípio de que, para classificar imagens, não são necessários todos os detalhes visuais necessários para reconstruir a imagem original.

Critério de escolha: a opção de transmissão deve permitir verificação visual. O servidor não deve ter acesso aos dados originais dos clientes. Os custos no cliente devem manter-se baixos.

Resultados: precisão, resistência à reconstrução e tempo

O FedPix foi avaliado em BloodMNIST, CIFAR-10, FashionMNIST e MNIST. Os autores apresentam a precisão da classificação e, separadamente, os indicadores de resistência à reconstrução e o tempo de execução no cliente.

Conjunto de dadosPrecisão da classificação
MNIST99.18%
FashionMNIST89.97%
BloodMNIST82.24%
CIFAR-1065.63%
  • PSNR da reconstrução — até 6.87 dB.
  • PSNR sintético — até 6.74 dB.
  • Redução do tempo de execução no cliente — até 96.0%.
  • No CIFAR-10, o tempo diminuiu de 1223 s para 49 s.

Critério de escolha: comparar a precisão no conjunto de dados pretendido com a precisão aceitável para a tarefa. Avaliar separadamente o tempo no cliente e a resistência à reconstrução.

Limites de aplicabilidade

O FedPix funciona com classificação de imagens. Os autores partem do princípio de que, para classificar, não são necessários todos os detalhes visuais necessários para a reconstrução. As experiências abrangem quatro conjuntos de dados.

  • A tarefa é a classificação de imagens.
  • O conjunto de dados pretendido é BloodMNIST, CIFAR-10, FashionMNIST ou MNIST.
  • O artigo não apresenta resultados para outras tarefas e conjuntos de dados.

Critério: verificar se a tarefa é a classificação de imagens e se o conjunto de dados é um dos quatro apresentados no artigo. O artigo não apresenta resultados para outras tarefas e conjuntos de dados.

Fonte e estado

Os autores apresentaram o método FedPix no artigo «FedPix: Learning What to Share with Less Leakage in Federated Intelligence». O artigo foi publicado no arXiv com o número arXiv:2610.21194. Os autores indicaram as datas: v1 — 15 de outubro de 2026; v2 — 19 de outubro de 2026.

  • Autores: Jingwei Zhao, Tiantong Sun, Yuanyuan Song, Jinhuan Guo, Zishuo Wei, Shengyu Huang, Ziyuan Ren, Wei Chen e Xiaojin Zhang.
  • Jingwei Zhao e Tiantong Sun contribuíram igualmente.

Critério de verificação: antes de citar, confirmar a versão do artigo e a lista de autores.

Perguntas mais frequentes

Materiais semelhantes

Todos os materiais
MaRK: modulação contextual dos parâmetros recorrentes em SSM pré-treinados
Notícias

MaRK: modulação contextual dos parâmetros recorrentes em SSM pré-treinados

É proposta uma abordagem que adapta ao contexto o operador recorrente de um modelo de espaço de estados congelado por meio de alterações de parâmetros de baixo posto, influenciando o núcleo «entrada—saída» em cada etapa da geração. A comparação entre três geometrias de adaptadores mostra a vantagem dos polinómios de Chebyshev em termos de erro de validação, enquanto a parametrização restrita permite uma verificação analítica da estabilidade.

14 novembro 2026
B-PINN e viés de colisão: causas, diagnóstico e uma alternativa em cadeia
Notícias

B-PINN e viés de colisão: causas, diagnóstico e uma alternativa em cadeia

Os autores mostram que o esquema B-PINN amplamente utilizado, no qual parâmetros a priori independentes são ligados por verosimilhanças virtuais dos resíduos das equações diferenciais, pode enviesar sistematicamente as estimativas posteriores de grandezas físicas. Em alternativa, propõem um modelo hierárquico de cadeia, com discretização da dinâmica estocástica e amostragem por particle MCMC, além de apresentarem critérios para diagnosticar a fiabilidade da abordagem padrão.

14 novembro 2026
Ajuste fino de modelos generativos de imagens: consideração conjunta de preferências e rubricas
Notícias

Ajuste fino de modelos generativos de imagens: consideração conjunta de preferências e rubricas

O artigo descreve um método de pós-treinamento de modelos text-to-image em domínio aberto, no qual o sinal das preferências humanas é complementado por verificações baseadas em rubricas de conformidade com o prompt e de propriedades desejadas. Os resultados mostram que a média ponderada das recompensas tem desempenho inferior ao esquema proposto e que, no snapshot do Arena, os modelos Flux2dev e Ideogram-4 pós-treinados apresentam um aumento expressivo no Elo.

14 novembro 2026
FedPix: transmissão de imagens comprimidas do cliente para reduzir o vazamento no aprendizado federado