打破数据孤岛：联邦学习近期重要研究进展(18)_机器之心原创作者：仵冀颖编辑：H4O随

表 1. 训练模型在不同域内的测试准确度.

图20/49

2）MNIST

MNIST 数据库包含 60000 个训练图像和 10000 个测试图像，以 28x28 个灰度像素强度阵列的方式存储，同时在 10 个类别中均匀分布。本文首先训练一个简单的逻辑回归分类器，观察到以下三个类别的分类性能最差：T 恤衫/上衣、套头衫和衬衫。接下来，提取了用这三个类别标记的数据子集，并将该子集分成三个域，每个域由一类衣服组成。然后，使用逻辑回归和 Adam 优化器训练针对这 3 个类别的分类器。实验结果见表 2。由于各个域分别给定了标签，在这个实验中，本文没有对比在特定域上训练的模型。在 3 个类别中，衬衫的分类难度最大。与基于均匀分布 u^训练的经典模型相比，AFL 可以提高衬衫类别的整体识别准确度。此外，不可知学习方案不仅改善了难度最大的域内的识别效果，而且具有更好的推广性，提高了平均测试准确度。AFL 模型在任何目标分布 D_lambda 上达到了约 74.5% 的准确度，而经典联邦学习的准确度约为 71.2%。