原创力文档- 1、本文档共48页，其中可免费阅读25页，需付费100金币后方可阅读剩余内容。
- 2、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。
- 3、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
- 4、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。
查看更多
中文摘要
中文摘要
近年来，相关国家和机构对于隐私保护问题越来越重视，期望在敏感数据不对外
公布的前提下获得性能良好的机器学习模型。因此，联邦学习旨在数据保存在本地进
行机器学习模型的非集中式训练，即客户端持有本地隐私数据，在训练过程中，数据
不对外公开发布，客户端彼此交换的是机器学习模型。然而，在隐私保护背景下的模
型训练存在许多问题和挑战，数据非独立同分布是影响全局模型性能的主要原因之一。
本文针对数据非独立同分布下各客户端数据标签
文档评论（0）