FedPix: передача сжатых изображений с клиента для уменьшения утечки в федеративном обучении

15 ноября 20261 просмотров

Статья рассматривает, какую информацию клиенту разрешать отправлять на сервер, и предлагает обучать передачу компактных визуально проверяемых изображений вместо модельных весов или промежуточных представлений. На BloodMNIST, CIFAR-10, FashionMNIST и MNIST подход показывает низкий PSNR при реконструкции и сокращает клиентское время до 96,0% при точности 65,63–99,18%.

FedPix: передача сжатых изображений с клиента для уменьшения утечки в федеративном обучении

Проблема: что не решают привычные схемы

Существующие подходы к федеративному интеллекту сосредоточены на обучении или агрегации моделей. Вопрос о том, какую информацию передавать с клиента, остаётся без внимания. Это создаёт ограничения.

  • Модельные обновления трудно проверять пользователям.
  • Представления данных могут раскрывать чувствительную информацию.
  • Генерация представлений может быть вычислительно затратной для клиентов с ограниченными ресурсами.

FedPix учится передавать компактные визуально проверяемые изображения. Это альтернатива обновлениям модели и промежуточным признакам. Критерий выбора: если передаваемые данные нужно проверять человеку, а ресурсы клиента ограничены, подход стоит рассматривать.

Механика: какие данные передаёт клиент

Клиент отправляет компактные визуально проверяемые изображения. Передаваемые представления участвуют в обучении отбору информации: что сохранять, а что отбрасывать. Метод балансирует полезность для задачи и устойчивость к реконструкции.

Вариант передачиЧто передаётсяЧто важно учитывать
Обновления моделиОбновления моделиПользователям трудно проверять
Промежуточные признакиПредставления данныхМогут раскрывать чувствительную информацию; генерация затратна для клиентов с ограниченными ресурсами
FedPixКомпактные визуально проверяемые изображенияБаланс полезности и устойчивости к реконструкции

Сервер улучшает представления без доступа к исходным клиентским данным. Вычислительные затраты на клиенте при этом небольшие. Авторы исходят из того, что для классификации изображений не нужны все визуальные детали, необходимые для реконструкции исходного изображения.

Критерий выбора: вариант передачи должен допускать визуальную проверку. Сервер не должен получать доступ к исходным клиентским данным. Затраты на клиенте должны оставаться небольшими.

Результаты: точность, устойчивость к реконструкции и время

FedPix проверили на BloodMNIST, CIFAR-10, FashionMNIST и MNIST. Авторы сообщают точность классификации и отдельно приводят показатели устойчивости к реконструкции и время выполнения на клиенте.

Набор данныхТочность классификации
MNIST99.18%
FashionMNIST89.97%
BloodMNIST82.24%
CIFAR-1065.63%
  • PSNR реконструкции — вплоть до 6.87 dB.
  • Синтетический PSNR — вплоть до 6.74 dB.
  • Сокращение времени выполнения на клиенте — до 96.0%.
  • На CIFAR-10 время снизилось с 1223 с до 49 с.

Критерий выбора: сопоставлять точность на целевом наборе с допустимой для задачи. Время на клиенте и устойчивость к реконструкции оценивать отдельно.

Границы применимости

FedPix работает с классификацией изображений. Авторы исходят из того, что для классификации не нужны все визуальные детали, необходимые для реконструкции. Эксперименты охватывают четыре набора данных.

  • Задача — классификация изображений.
  • Целевой набор входит в BloodMNIST, CIFAR-10, FashionMNIST или MNIST.
  • Для других задач и наборов данных в статье нет.

Критерий: проверять, что задача — классификация изображений, а набор данных — один из четырёх в статье. Для других задач и наборов данных в статье нет.

Источник и статус

Метод FedPix авторы представили в статье «FedPix: Learning What to Share with Less Leakage in Federated Intelligence». Статья вышла на arXiv под номером arXiv:2610.21194. Авторы указали даты: v1 — 15 октября 2026 года, v2 — 19 октября 2026 года.

  • Авторы: Jingwei Zhao, Tiantong Sun, Yuanyuan Song, Jinhuan Guo, Zishuo Wei, Shengyu Huang, Ziyuan Ren, Wei Chen и Xiaojin Zhang.
  • Jingwei Zhao и Tiantong Sun внесли равный вклад.

Критерий проверки: перед цитированием сверить версию статьи и список авторов.

Часто задаваемые вопросы

Похожие материалы

Все материалы
MaRK: контекстная модуляция рекуррентных параметров в предобученных SSM
Новости

MaRK: контекстная модуляция рекуррентных параметров в предобученных SSM

Предложен подход, который подстраивает рекуррентный оператор замороженной модели пространства состояний под контекст через низкоранговые изменения параметров, влияя на ядро «вход—выход» на каждом шаге генерации. Сравнение трёх геометрий адаптеров показывает преимущество полиномов Чебышёва по ошибке валидации, а ограниченная параметризация допускает аналитическую проверку устойчивости.

14 ноября 2026
B-PINN и коллайдерное смещение: причины, диагностика и цепная альтернатива
Новости

B-PINN и коллайдерное смещение: причины, диагностика и цепная альтернатива

Авторы показывают, что распространённая схема B-PINN, где независимые априорные параметры связываются через виртуальные правдоподобия невязок дифференциальных уравнений, способна систематически смещать постериорные оценки физических величин. Взамен предлагается иерархическая цепная модель с дискретизацией стохастической динамики и сэмплированием particle MCMC, а также даются критерии диагностики надёжности стандартного подхода.

14 ноября 2026
Дообучение генеративных моделей изображений: совместный учет предпочтений и рубрик
Новости

Дообучение генеративных моделей изображений: совместный учет предпочтений и рубрик

Статья описывает метод постобучения text-to-image моделей в открытом домене, где сигнал человеческих предпочтений дополняется рубричными проверками соответствия промпту и желаемых свойств. Из результатов следует, что взвешенное усреднение наград проигрывает предложенной схеме, а на снимке Arena дообученные Flux2dev и Ideogram-4 показывают заметный рост Elo.

14 ноября 2026
FedPix: сжатые изображения с клиента в федеративном обучении