典型文献
一种基于背景优化的高效联邦学习方案
文献摘要：
联邦学习因其在客户端本地进行数据的训练,从而有效保证了数据的隐私性和安全性.对于联邦学习的研究虽然取得了很大的进展,但是,由于非独立同分布数据的存在以及数据量不平衡、数据类型不平衡等问题,客户端在利用本地数据进行训练时不可避免地存在精确度缺失、训练效率低下等问题.为了应对联邦学习背景环境的不同导致的联邦学习效率降低的问题,文中提出了一种基于背景优化的高效联邦学习方案,用于提高终端设备中本地模型的精确度,从而减小通信开销、提高整体模型的训练效率.具体来说,在不同的环境中根据精确度的差异性来选择第一设备和第二设备,将第一设备模型和全局模型的不相关性(下文统称为差异值)作为标准差异值;而第二设备是否上传本地模型则由第二设备和第一设备之间的差异值决定.实验结果表明,与传统的联邦学习相比,所提方案在普通联邦学习场景下的表现明显优于联邦平均算法,在MINIST数据集上,其精确度提高了约7.5％;在CIFAR-10数据集上,其精确度提高了约10％.
文献关键词：
联邦学习;背景优化;设备分类;不相关性;差异值
中图分类号：
作者姓名：
郭桂娟;田晖;王田;贾维嘉
作者机构：
华侨大学计算机科学与技术学院 福建 厦门361021;北京师范大学人工智能与未来网络研究院 广东 珠海519000;北京师范大学-香港浸会大学联合国际学院人工智能与多模态数据处理广东省重点实验室 广东 珠海519000
文献出处：
引用格式：
[1]郭桂娟;田晖;王田;贾维嘉-.一种基于背景优化的高效联邦学习方案)[J].计算机科学,2022(12):40-45
A类：
MINIST
B类：
背景优化,联邦学习,学习方案,客户端,隐私性,非独立同分布数据,数据量,数据类型,训练效率,对联,背景环境,学习效率,终端设备,通信开销,整体模型,具体来说,设备模型,全局模型,不相关性,文统,统称,差异值,标准差异,传本,通联,学习场景,联邦平均,平均算法,CIFAR,设备分类
AB值：
0.359941
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。
