联邦学习中面向数据异构问题的性能优化研究.pdf

1、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。。
2、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。
3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。

联邦学习中面临的数据异构问题可以通过两种方法进行优化一种是在本地训练阶段利用数据共享技术进行分布式计算，另一种是在中心服务端使用节点模型参数聚类解决数据异构问题带来的影响这两种方法都可以有效地降低数据异构问题对联邦学习的影响，提高全局模型的准确性

摘要

联邦学习在数据源的原始数据不上传的情况下，实现设备协同训练同一个全

局模型，源数据不出本地，降低了隐私泄露的风险。但是在真实联邦学习应用环

境中，由于各节点之间的身份、行为、环境等不同，从而形成数据的异构性现象。

这种现象会导致全局模型在不同设备上的表现出现较大偏差，降低模型收敛速度

且降低模型的准确度。现有的面对数据异构问题的联邦学习优化算法常常导致大

量的通讯开销或暴露其原始数据的隐私，还不适用真实环境下的联邦学习。因此，

如何在不引起大量开销的前提下还可以解决数据异构问题，并且提升数据异构

该用户很懒，什么也没介绍

咨询Ta 进入空间

用户编号：7043055023000005

更多 >