原创力文档- 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)。
查看更多
摘要
摘要
随着数据处理量的激增以及网络架构的极速演变，用户隐私以及响应时延高等问
题越发严重。分层联邦学习融合边缘计算架构的优势，有效缓解了隐私安全和高延迟
问题。目前，激励机制也被进一步引入分层联邦学习架构中，以提高参与者积极性。然
而目前的架构忽略了参与方的异构性，可能会导致模型性能下降等问题。因此本文在
信息对称以及信息不对称下，将终端设备参与成本类型不同纳入分析，探索如何设计
合理的激励机制用于最优资源调度，以提
文档评论（0）