一种基于改进NSGA-Ⅲ的联邦学习进化多目标优化算法.pdfVIP

://

httwww．skx．com

pjj

:/

DOI１０．１１８９６skx．２４０６０００１４

jj

一种基于改进NSGAＧIII的联邦学习进化多目标优化算法

胡康琦马武彬戴超凡吴亚辉周浩浩

国防科技大学信息系统工程全国重点实验室长沙

４１００７３

()

hukani６６＠nudt．edu．cn

gq

,.,

摘要联邦学习是一种新型的分布式机器学习方法可以在不共享原始数据的前提下训练模型当前联邦学习方法存在针

、、,.

对模型准确率最优化通信成本最优化参与者性能分布均衡等多个目标同时优化难的问题难以做到多目标的同步均衡针

,.、、、

对该问题提出联邦学习四目标优化模型及求解算法将全局模型错误率模型准确率分布方差通信成本数据成本作为优化

,.,,,

目标构建优化模型同时针对该模型的求解搜索空间大传统NSGAＧIII算法难以寻优的问题提出基于佳点集初始化策略

(),.

的改进NSGAＧIII联邦学习多目标优化算法GPNSGAＧIIIGoodPointSetInitializationNSGAＧIII以求取Pareto最优解该算

,,

法通过佳点集初始化策略将有限的初始化种群以均匀的方式分布在目标求解空间中相较于原始算法使第一代解最大限度地

,.,

接近最优值提升寻优能力实验结果证明GPNSGAＧIII算法得到的Pareto解的超体积值相较于NSGAＧIII算法平均提升

;;,

１０７％Sacin值相较于NSGAＧIII算法平均下降３２．３％对比其他多目标优化算法GPNSGAＧIII算法能在保证模型准确率的

pg

,、.

情况下更有效地实现模型分布方差通信成本和数据成本的均衡

:;;;;

关键词联邦学习多目标寻优佳点集NSGAＧIII算法参数优化

中图分类号TP３０１

FederatedLearninEvolutionarMultiＧobectiveOtimizationAlorithmBasedo