计算机应用研究

作者：常黎明,刘颜红,徐恕贞,

单位：河南大学软件学院,河南开封475000；

关键词：联邦学习,个性化联邦学习,聚类联邦学习,特征提取,聚类,

基金：国家自然科学基金资助项目(12201185)；河南省科技攻关项目(212102210099,212102210133)；；

联邦学习（federated learning）可以解决分布式机器学习中基于隐私保护的数据碎片化和数据隔离问题。在联邦学习系统中，各参与者节点合作训练模型，利用本地数据训练局部模型，并将训练好的局部模型上传到服务器节点进行聚合。在真实的应用环境中，各节点之间的数据分布往往具有很大差异，导致联邦学习模型精确度较低。为了解决非独立同分布数据对模型精确度的影响，利用不同节点之间数据分布的相似性，提出了一个聚类联邦学习框架。在Synthetic、CIFAR-10和FEMNIST标准数据集上进行了广泛实验。与其他联邦学习方法相比，基于数据分布的聚类联邦学习对模型的准确率有较大提升，且所需的计算量也更少。

来源：2023年第6期

《计算机应用研究》期刊编辑部

查看计算机应用研究杂志2023年第6期