一、引言

拆分学习是 2018 年由 MIT 最先提出的分布式算法。本文结合该领域的相关英文文献，介绍水平拆分学习的基本方法，同时还将对比拆分模型与中心化模型、联邦模型在不同条件下模型效率和准确性。拆分学习作为主流的隐私计算学习范式之一，也被普遍应用于构建隐私保护机器学习算法。

二、基本方法

1.1 核心思想

拆分学习将 NN 模型拆分成两部分，client 利用本地数据计算底层模型，得到隐层并传输给 server，server 继续计算上层模型，如图 1 所示【1】。

图1 拆分学习示意图

针对 client 数据水平切分场景下的拆分学习方法，主要分为三种：Centralized 拆分学习、P2P 拆分学习和 U-shape 拆分学习。

1.2 Centralized 拆分学习

图2 Centralized 拆分学习模型

（1）算法

如图 2 所示【2】，Alice 为 client， Bob 为 server。client 和 server 模型首先进行初始化。

• client i 从 server 获取 client 端的密态模型参数，解密，更新 client 模型。

• client i 进行前向传播，计算得到隐层，并将隐层 h 和真实标签 y 传给 server

• server 得到 client i 的隐层 h 和 y，继续前向传播，得到 label 预测值 y_pred，进而得到 Loss(y, y_pred)。

• server 进行模型的后向传播，更新 server 端的模型，进而得到 Loss 关于隐层的梯度 G，并将 G 传给 client。

• client 利用梯度 G 继续后向传播，更新 client 端本地模型，client 将本地模型加密传给 server。

• 剩余参与训练的 client 依次进行步上述步骤。

（2）特点

• client 异步更新，无法同步更新；

• client 每次训练前需要从 server 获取密态的 client 模型；

• server 得到样本的 label 和密态 client 模型（有隐私泄漏的风险）。

1.3 P2P 拆分学习

• 

图3 Peer to peer 拆分学习

（1）算法

如图3所示【2】，client i 进行前向传播，计算得到隐层，并将隐层 h 和真实标签 y 传给server。

• server 得到 client i的隐层 h 和 y，继续前向传播，得到 label 预测值 y_pred，进而得到 Loss（y, y_pred）；

• server 进行模型的后向传播，更新 server 端的模型，进而得到 Loss 关于隐层的梯度G，并将 G 传给 client；

• client 利用梯度 G 继续后向传播，更新 client 端本地模型，client 将本地模型传给下一个 client；

• 下一个 client 依次进行上述步骤。

（2）特点

• client 依次进行训练更新。

• server 得到样本的 label。

• lient 每次训练前需要从上一个 client 获取最新的 client 模型（client 掉线问题）。

1.4 U-shape 拆分学习

图4 U-shape 拆分学习

（1）算法

如图 4 所示【1】，模型依次拆成三部分：submodel-1，submodel-2（大部分计算），submodel-3（loss computing），其中 submodel-1 和 submodel-3 在 client 端进行，submodel-2 在 server 端进行。以 U-shape centralized 拆分学习为例：

• client i 从 server 获取 client 端的密态 submodel-1 和 submodel-3 的模型参数，解密，更新 client 本地模型。

• client i 进行前向传播，计算得到隐层，并将隐层 h1 传给 server。

• server 得到 client i 的隐层 h，继续 submodel-2 前向传播，得到隐层 h2,传给 client。

• client 得到 h1,继续 submodel-3 的前向传播，得到 y_pred，结合 client 的真实 label y 计算得到 loss。

• client 和 server 进行模型的后向传播，更新模型。

• client 将本地模型 submodel-1 和 submodel-3 加密传给 server。

• 剩余参与训练的 client 依次进行上述步骤。

（2）特点

• 相比于前两个模型，server 无法得到样本的 label。

三、实验结果

3.1 拆分学习 VS 单机模型

论文【2】中对比了拆分学习和单机模型的 Accuracy，其中在拆分学习中共有 10 个 clients，得到如下表所示的实验结果。

实验结论：拆分学习可以对齐单机模型的 Accuracy【2】。

3.2 拆分学习VS联邦学习

论文【2】中对比了相同 client-side flops 和 communication cost 下拆分学习和联邦学习的 performance。

论文【3】中对比了多 clients 条件和 Non-IID 数据分布下的拆分学习和联邦学习的 performance。

（1）Performance with the same client-side flops

结论：相同计算量的情况下，拆分学习的收敛速度及 Accuracy 优于联邦学习和 Large scale SGD。

（2）Performance with the same communication cost

结论：相同通信量的情况下，拆分学习收敛速度及 Accuracy 优于联邦学习和 Large scale SGD。

（3）Performance with the different clients’ number

结论：当 clients 数量变多时，模型性能有明显的震荡。

（4）Performance in the Non-IID setting

结论：拆分学习在 Non-IID 下性能比联邦学习差，甚至不收敛。

四、Reference

【1】Thapa C, Chamikara M A P, Camtepe S A. Advancements of federated learning towards privacy preservation: from federated learning to split learning[M]//Federated Learning Systems. Springer, Cham, 2021: 79-109.

【2】Gupta O, Raskar R. Distributed learning of deep neural network over multiple agents[J]. Journal of Network and Computer Applications, 2018, 116: 1-8.

【3】Gao Y, Kim M, Abuadbba S, et al. End-to-end evaluation of federated learning and split learning for Internet of Things[J]. arXiv preprint arXiv:2003.13376, 2020.