典型文献
改进的联邦加权平均算法
文献摘要：
针对基于层次分析改进的联邦平均算法在计算其数据质量时存在主观因素的影响,提出改进的联邦加权平均算法,从数据质量的角度来处理多源数据.首先,将训练样本划分为预训练样本与预测试样本;然后,使用初始全局模型在预训练数据上的精度作为该数据源的质量权重;最后,将质量权重引入到联邦平均算法中,重新进行全局模型中权重更新.仿真结果表明,在均等分割的数据集与非均等分割的数据集上,改进的联邦加权平均算法训练的模型与传统联邦平均算法训练的模型相比,准确率最高分别提升了1.59％和1.24％;改进的联邦加权平均算法训练的模型与传统整合多方数据再训练的模型相比,虽然准确率略有下降,但数据与模型的安全性有所提升.
文献关键词：
联邦学习;联邦平均;联邦加权平均算法;多源数据;数据质量
中图分类号：
作者姓名：
罗长银;王君宇;陈学斌;马春地;张淑芬
作者机构：
华北理工大学理学院,河北唐山063210;河北省数据科学与应用重点实验室(华北理工大学),河北唐山063210;唐山市数据科学重点实验室(华北理工大学),河北唐山063210
文献出处：
引用格式：
[1]罗长银;王君宇;陈学斌;马春地;张淑芬-.改进的联邦加权平均算法)[J].计算机应用,2022(04):1131-1136
A类：
联邦加权平均算法,邦加
B类：
分析改进,联邦平均,数据质量,主观因素,多源数据,训练样本,预训练,全局模型,训练数据,数据源,重引入,权重更新,均等分割,算法训练,最高分,联邦学习
AB值：
0.186659
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。
