1. 您所在位置：
  2. 网站首页
  3. 文档分类
  4. 计算机
  5. 数据结构与算法

数据数量和质量偏移下的联邦学习研究.pdf

数据数量和质量偏移下的联邦学习研究.pdf

    摘要

    为解决数据孤岛问题，联邦学习作为一种分布式机器学习方法，能够在不共享本地

    数据的前提下，实现多个客户端协同训练一个全局模型。然而，由于其分布式特性，客

    户端数据之间不可避免的统计异构性，成为了影响模型训练的主要因素。具体来说，这

    种数据异构不仅表现为各客户端数据的非独立同分布，还可能导致数据数量偏移和数据

    质量偏移的问题。其中，数据数量偏移可能导致全局数据呈现长尾分布，而数据质量偏

    移则可能引发标签噪声。本文重点研究了上述两个关键问题，针对其导致的全局模型精

    度下降的现象，提出了解决方案。具体研究内容如

    您可能关注的文档

    最近下载

    文档评论（0）

    1亿VIP精品文档

    更多 >

    相关文档

    更多 >