非独立同分布数据下的去中心化联邦学习策略.pdfVIP

ComputerEngineeringandApplications计算机工程与应用2023，59（1）269

非独立同分布数据下的去中心化联邦学习策略

谭荣杰，洪智勇，余文华，曾志强

五邑大学智能制造学部，广东江门529020

摘要：区块链具有不可篡改性和去中心化的特点，其与联邦学习的结合成为人工智能领域的热门主题。目前去中

心化联邦学习存在训练数据非独立同分布导致的性能下降问题，为了解决这个问题，提出一种模型相似度的计算方

法，然后设计一种基于该模型相似度的去中心化联邦学习策略，并使用五个联邦学习任务进行测试，分别是CNN模

型训练fashion-mnist数据集、alexnet模型训练cifar10数据集、TextRnn模型训练THUsnews数据集、Resnet18模型训

练SVHN数据集和LSTM模型训练sentiment140数据集。实验结果表明，设计的策略在五个任务非独立同分布的数

据下进行去中心化联邦学习，准确率分别提升了2.51、5.16、17.58、2.46和5.23个百分点。

关键词：区块链；联邦学习；深度学习；数据隐私

文献标志码：A中图分类号：TP309doi：10.3778/j.