面向非独立同分布数据的自适应联邦深度学习算法

近些年,联邦学习(Federated learning,FL)由于能够打破数据壁垒,实现孤岛数据价值变现,受到了工业界和学术界的广泛关注.然而,在实际工程应用中,联邦学习存在着数据隐私泄露和模型性能损失的问题.为此,首先对这两个问题进行数学描述与分析.然后,提出一种自适应模型聚合方案,该方案能够设定各参与者的Mini-batch值和自适应调整全局模型聚合间隔,旨在保证模型精度的同时,提高联邦学习训练效率.并且,混沌系统被首次引入联邦学习领域中,用于构建一种基于混沌系统和同态加密的混合隐私保护方案,从而进一步提升系统的隐私保护水平.理论分析与实验结果表明,提出的联邦学习算法能够保证参与者的数据隐私安全.并且,在非独立同分布数据的场景下,该算法能够在保证模型精度的前提下提高训练效率,降低系统通信成本,具备实际工业场景应用的可行性.