面向非独立同分布数据的联邦学习优化算法研究.docxVIP

面向非独立同分布数据的联邦学习优化算法研究 摘要：随着数据增长的速度越来越快，联邦学习（FL）作为一种保护数据隐私的新型机器学习方法，受到了广泛关注。然而，FL方法的效率等问题常常限制着其发展。本文以非独立同分布数据为研究对象，结合现有的联邦学习算法的优缺点，提出了一种新的模型聚合算法，同时在模型的选择和参数优化方面进行了研究和探究。在MNIST、CIFAR10和FEMNIST三个数据集上进行实验，测试了所提出的算法在求解非独立同分布数据上的有效性和高效性。实验结果表明，所提出的算法可以在保证数据隐私的前提下，显著提高模型的准确性和计算效率。关键词：联邦学习；非独立同分布数据；模型聚合算法