-
题名基于联邦学习的BERT模型高效训练框架
- 1
-
-
作者
王鑫澳
陈珂
寿黎但
骆歆远
陈刚
-
机构
区块链与数据安全全国重点实验室(浙江大学)
-
出处
《软件学报》
北大核心
2025年第9期4110-4133,共24页
-
基金
浙江省“尖兵”计划(2024C01021)。
-
文摘
高质量的训练数据对于预训练语言模型(PLM)至关重要,但许多专业领域的数据因隐私问题而无法集中收集用于模型训练.借助联邦学习,可以在保护数据隐私的前提下完成模型训练.然而,联邦学习的客户端通常资源有限,无法完成预训练语言模型的训练.针对这一问题进行深入研究.首先,明确定义在资源有限前提下完成模型训练的问题,通过调整计算开销与通信开销来优化模型的训练效果.其次,介绍一种适用于联邦学习环境下的BERT模型高效训练框架——FedBT.该框架旨在实现BERT模型在联邦学习客户端上的训练,涵盖进一步预训练和下游任务微调两种场景.FedBT适应不同的应用场景,在客户端针对BERT模型的关键参数进行训练,并仅将更新的参数上传至服务器进行聚合.这种方法显著减少模型训练过程中的计算和通信成本.最后,在多个专业领域的数据集上进行充分的实验对比,进一步预训练场景下,FedBT框架可以降低客户端的训练开销与通信开销至原来的34.31%和7.04%,下游任务微调场景下,FedBT框架可以降低客户端的训练开销与通信开销至原来的48.26%和20.19%,并且均实现同传统联邦学习训练完整模型接近的精确度.
-
关键词
联邦学习
预训练语言模型
进一步预训练
下游任务微调
-
Keywords
federated learning
pre-trained language model(PLM)
further pre-training
downstream fine-tuning
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
