-
题名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
-
机构
武汉理工大学计算机与人工智能学院
交通物联网技术湖北省重点实验室
-
出处
《电子测量技术》
北大核心
2022年第20期102-109,共8页
-
文摘
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。
-
关键词
联邦学习
数据异质
分类层校正
分类层聚类
-
Keywords
federated learning
statistical heterogeneity
classifier correction
classifier clustering
-
分类号
TP389.1
[自动化与计算机技术—计算机系统结构]
-