典型文献
FCAT-FL:基于Non-IID数据的高效联邦学习算法
文献摘要：
针对非独立同分布(Non-IID)数据影响联邦学习收敛速度、公平性和准确性的问题,提出一种基于Non-IID数据的快速收敛公平联邦迁移学习框架——FCAT-FL.该框架改进传统联邦学习依照客户端数据量占比权衡聚合贡献度的策略,根据客户端本地模型参数和服务器聚合模型参数间的关系,在每轮聚合时为客户端动态分配自适应权重,并在客户端引入个性化迁移学习模型和动量梯度下降算法以求加快本地模型训练速度.实验结果表明:与几种基线聚合策略相比,当部分客户端的数据为Non-IID时,FCAT-FL中聚合策略1的全局迭代轮次有所减少,客户端间公平性和准确性得到提高,并且迁移学习的使用令客户端需训练和上传的模型参数数量减少,使FCAT-FL适用于客户端资源有限的移动边缘网络.
文献关键词：
联邦学习;非独立同分布;收敛性;公平性;迁移学习;动量梯度下降
中图分类号：
作者姓名：
陈飞扬;周晖;张一迪
作者机构：
南通大学信息科学与技术学院,江苏南通 226019
文献出处：
引用格式：
[1]陈飞扬;周晖;张一迪-.FCAT-FL:基于Non-IID数据的高效联邦学习算法)[J].南京邮电大学学报（自然科学版）,2022(03):90-99
A类：
FCAT
B类：
FL,Non,IID,联邦学习,非独立同分布,收敛速度,公平性,快速收敛,联邦迁移学习,客户端,数据量,贡献度,服务器,聚合模型,数间,动态分配,自适应权重,动量梯度下降,梯度下降算法,模型训练,训练速度,全局迭代,轮次,数数,移动边缘网络,收敛性
AB值：
0.266885
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
