原创力文档- 1、本文档共58页，其中可免费阅读18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
面向非独立同分布数据的联邦学习通信效率研究
摘要
联邦学习是一种分布式机器学习框架，面临着数据异质性的挑战。在非独立
同分布数据环境下，联邦学习本地模型的收敛偏差使全局模型的收敛速度降低，
导致通信负担增加。集群联邦学习使用集群模型训练特定分布的数据，增加非独
立同分布数据联邦学习的模型收敛速度和性能。其次，使用模型压缩能够进一步
降低模型的数据传输量，提高通信效率。然而集群联邦学习的集群划分过程要求
客户端接收额外的模型参数或者客户端全部参与训练，增加了客户端的通信负担。
针对上述问题，本文
文档评论（0）