期刊文献+
共找到1篇文章
< 1 >
每页显示 20 50 100
数据异质场景下的联邦学习模型校正与聚合 被引量:2
1
作者 邹承明 赵宁 《电子测量技术》 北大核心 2022年第20期102-109,共8页
作为一种分布式机器学习范式,联邦学习在用户数据隐私保护方面拥有巨大潜力,是近年来的一大研究热点。首先,针对数据统计异质场景中普遍存在的用户模型偏差问题,提出了基于生成对抗网络的虚拟特征生成与分类层校正方案。其次,针对特殊... 作为一种分布式机器学习范式,联邦学习在用户数据隐私保护方面拥有巨大潜力,是近年来的一大研究热点。首先,针对数据统计异质场景中普遍存在的用户模型偏差问题,提出了基于生成对抗网络的虚拟特征生成与分类层校正方案。其次,针对特殊的概念偏移场景,提出了基于分类层聚类的个性化分组聚合方案。最后,整合上述两种方案,并在图像分类数据集CIFAR-10上进行单项实验和集成实验。实验结果显示,相较于经典的联邦平均聚合算法,本文所提出的集成方案不仅显著提升了单中心全局模型的收敛速度,也增强了多中心簇模型的个性化能力。 展开更多
关键词 联邦学习 数据异质 分类层校正 分类聚类
下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部