FedPix:从客户端传输压缩图像,以减少联邦学习中的信息泄露
本文探讨了应允许客户端向服务器发送哪些信息,并建议训练系统传输紧凑且可通过视觉检查的图像,而非模型权重或中间表示。在 BloodMNIST、CIFAR-10、FashionMNIST 和 MNIST 上,该方法的重建 PSNR 较低,并将客户端耗时缩短至原来的 96.0%,准确率为 65.63–99.18%。

问题:常见方案未能解决什么
现有的联邦智能方法侧重于模型训练或聚合。至于应从客户端传输哪些信息,这个问题却未受关注。这带来了一些限制。
- 用户难以检查模型更新。
- 数据表示可能泄露敏感信息。
- 对资源受限的客户端而言,生成表示可能需要大量计算。
FedPix 学习传输紧凑且可目视检查的图像,以此替代模型更新和中间特征。选择标准:如果传输的数据需要由人工检查,且客户端资源有限,就值得考虑这种方法。
机制:客户端传输哪些数据
客户端发送紧凑且可目视检查的图像。传输的表示参与信息筛选训练:哪些信息保留,哪些信息舍弃。该方法在任务实用性与抗重建能力之间取得平衡。
| 传输选项 | 传输内容 | 重要考量 |
|---|---|---|
| 模型更新 | 模型更新 | 用户难以检查 |
| 中间特征 | 数据表示 | 可能泄露敏感信息;对资源受限的客户端而言,生成成本较高 |
| FedPix | 紧凑且可目视检查的图像 | 在实用性与抗重建能力之间取得平衡 |
服务器在无法访问原始客户端数据的情况下改进表示。同时,客户端的计算成本较低。作者认为,对于图像分类而言,并不需要保留重建原始图像所需的所有视觉细节。

选择标准:传输选项应支持目视检查。服务器不应访问原始客户端数据。客户端的计算成本应保持较低。
结果:准确率、抗重建能力与耗时
FedPix 在 BloodMNIST、CIFAR-10、FashionMNIST 和 MNIST 上进行了测试。作者报告了分类准确率,并单独列出了抗重建指标和客户端运行时间。
| 数据集 | 分类准确率 |
|---|---|
| MNIST | 99.18% |
| FashionMNIST | 89.97% |
| BloodMNIST | 82.24% |
| CIFAR-10 | 65.63% |
- 重建 PSNR 低至 6.87 dB。
- 合成 PSNR 低至 6.74 dB。
- 客户端运行时间最多缩短 96.0%。
- 在 CIFAR-10 上,耗时从 1223 秒降至 49 秒。
选择标准:将目标数据集上的准确率与任务可接受的准确率进行比较。应分别评估客户端耗时和抗重建能力。
适用范围
FedPix 适用于图像分类。作者认为,对于分类而言,并不需要保留重建所需的所有视觉细节。实验涵盖四个数据集。
- 任务为图像分类。
- 目标数据集属于 BloodMNIST、CIFAR-10、FashionMNIST 或 MNIST。
- 论文未涉及其他任务和数据集。
标准:确认任务为图像分类,且数据集是论文中提到的四个之一。论文未涉及其他任务和数据集。
来源与状态
作者在论文《FedPix: Learning What to Share with Less Leakage in Federated Intelligence》中介绍了 FedPix 方法。该论文发表于 arXiv,编号为 arXiv:2610.21194。作者注明的日期为:v1 — 2026 年 10 月 15 日,v2 — 2026 年 10 月 19 日。
- 作者:Jingwei Zhao、Tiantong Sun、Yuanyuan Song、Jinhuan Guo、Zishuo Wei、Shengyu Huang、Ziyuan Ren、Wei Chen 和 Xiaojin Zhang。
- Jingwei Zhao 和 Tiantong Sun 的贡献相同。
核查标准:引用前核对论文版本和作者名单。
常问问题
相关材料
所有材料
MaRK:预训练 SSM 中循环参数的上下文调制
提出了一种方法,通过低秩参数更新使冻结状态空间模型的递归算子适应上下文,并在每个生成步骤影响“输入—输出”核。对三种适配器几何结构的比较表明,切比雪夫多项式的验证误差更低,而受限参数化则支持对稳定性进行解析检验。
14 十一月 2026
B-PINN 与碰撞偏差:成因、诊断及链式替代方案
作者展示了一种常见的 B-PINN 方案:通过微分方程残差的虚拟似然将相互独立的先验参数关联起来,而这种做法可能导致物理量的后验估计出现系统性偏差。作为替代方案,作者提出了一种层次链式模型,通过离散化随机动力学并采用粒子 MCMC 进行采样,同时给出了诊断标准方法可靠性的判据。
14 十一月 2026
生成式图像模型微调:综合考量偏好与类别体系
本文介绍了一种面向开放领域的 text-to-image 模型后训练方法:该方法在人工偏好信号的基础上,结合基于评分标准的提示词符合度和期望属性检查。结果表明,加权平均奖励的表现不及所提出的方案;在 Arena 快照中,经过微调的 Flux2dev 和 Ideogram-4 的 Elo 评分均显著提升。
14 十一月 2026