典型文献
数据异质场景下的联邦学习模型校正与聚合
文献摘要：
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.
文献关键词：
联邦学习;数据异质;分类层校正;分类层聚类
中图分类号：
作者姓名：
邹承明;赵宁
作者机构：
武汉理工大学计算机与人工智能学院 武汉430079;交通物联网技术湖北省重点实验室 武汉430079
文献出处：
引用格式：
[1]邹承明;赵宁-.数据异质场景下的联邦学习模型校正与聚合)[J].电子测量技术,2022(20):102-109
A类：
分类层校正,分类层聚类
B类：
数据异质,联邦学习,模型校正,分布式机器学习,学习范式,用户数据,数据隐私保护,巨大潜力,大研,用户模型,模型偏差,生成对抗网络,特征生成,校正方案,图像分类,分类数据,CIFAR,集成实验,联邦平均,均聚,聚合算法,集成方案,单中心,全局模型,收敛速度,多中心
AB值：
0.430027
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。
