A Federated Learning Algorithm Based on Multi-objective Optimization

Daoqu Geng

doi:10.1007/978-981-95-1565-3_22

A Federated Learning Algorithm Based on Multi-objective Optimization

2026-01-01

0

PRE

AI

DOI：10.1007/978-981-95-1565-3_22

原文链接

摘要

En 中文

联邦学习（FL）能够实现数据的安全共享，其中各参与方在本地进行模型训练并将结果上传至服务器进行聚合。数据始终不离开参与方，从而解决了数据隐私和数据孤岛问题。然而，FL面临高通信成本、参与者性能分布不均衡以及隐私保护不足等问题。为在模型精度、通信成本、公平性和隐私性之间取得平衡，本文提出了一种基于多目标优化的联邦学习算法（M-FedAvg）。通过NSGA-III求解最大化全局模型精度、最小化通信成本、最小化精度方差及最小化隐私预算的多目标优化问题。实验结果表明，所提算法能够有效降低FL的通信成本，并在不影响全局模型精度的前提下为参与方提供隐私保护。

Keyword:

Federated learning

Multi-objective optimization

NSGA-III

Differential privacy

Communication cost

A Federated Learning Algorithm Based on Multi-objective Optimization

摘要

期刊

机构

引用论文