典型文献
基于轻量级模型共享的联合半监督学习
文献摘要：
随着边缘设备计算能力的不断增强,联合学习(Federated Learning,FL)应运而生,它可以在不考虑隐私问题的情况下进行模型训练.现有的大多数研究都假设数据在客户端是完全标记的.然而,在实践中,标记的数据量是有限的.近年来,联合半监督学习(Federated Semi-Supervised Learning,FSSL)被认为是一种在训练过程中有效利用未标记数据的方法.文章提出了一种新的基于联合半监督学习的方法.在该方法中,客户之间通过轻量级原型进行知识共享,避免了局部模型的发散.为了计算未标记数据的损失,每个客户端基于共享原型创建准确的伪标签.伪标签与标记数据一起为局部原型提供训练信号.与基于权重共享的FSSL方法相比,基于原型的客户间知识共享显著降低了通信和计算成本,使更多客户之间能够更频繁地共享知识,从而提高了准确性.在多个数据集上,与最近的有无知识共享的FSSL方法(如FixMatch、FedRGD和FedMatch)相比,该方法具有更高的准确率,在SVHN数据集上性能与完全受监督的FL方法相当.
文献关键词：
半监督学习;联合学习;模型共享
中图分类号：
作者姓名：
王世辉;朱晓;莫锦华
作者机构：
广西大学信息网络中心,广西 南宁 530004;广西工业职业技术学院电子信息学院,广西 南宁 530001;广西科技信息网络中心,广西 南宁 530015
文献出处：
引用格式：
[1]王世辉;朱晓;莫锦华-.基于轻量级模型共享的联合半监督学习)[J].企业科技与发展,2022(07):32-35
A类：
FSSL,FedRGD,FedMatch
B类：
轻量级模型,模型共享,半监督学习,着边,边缘设备,计算能力,联合学习,Federated,Learning,FL,模型训练,客户端,数据量,Semi,Supervised,训练过程,记数,行知,知识共享,局部模型,发散,端基,伪标签,权重共享,基于原型,计算成本,无知,FixMatch,SVHN
AB值：
0.349668
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。
