.png){kind=icon}
返回
A Personalized Federated Learning Algorithm Based on Dynamic Weight Allocation
.png){kind=icon}
OA
AI
DOI：10.3390/electronics14030484.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
联邦学习是一种隐私保护的分布式机器学习范式。然而，由于客户端数据异质性，传统联邦平均算法训练的全局模型通常表现出较差的泛化能力。为缓解数据异质性的影响，一些现有研究提出了聚类联邦学习，其中将具有相似数据分布的客户端分组在一起，以减少来自不同客户端的干扰。然而，由于客户端的数据分布未知，确定最佳聚类数量较为困难，导致模型收敛效率降低。为解决此问题，本文提出了一种基于动态权重分配的个性化联邦学习算法。首先，允许每个客户端获取一个根据其本地数据分布定制的全局模型。在客户端模型聚合过程中，服务器首先计算客户端之间模型更新的相似性，并基于这些相似性动态分配聚合权重给客户端模型。其次，客户端使用接收到的专属全局模型，通过个性化联邦学习算法训练其本地模型。大量实验结果表明，与其他个性化联邦学习算法相比，所提出的方法有效提高了模型准确率和收敛速度。
Keyword:
federated learning
personalized federated learning
data heterogeneity
clustered federated learning
model aggregation
期刊
IF:
2.6
论文数:
1.1W
被引数:
4.7W
机构
引用论文
.png){kind=icon}
分享收藏Clustered Federated Learning: Model-Agnostic Distributed Multitask Optimization Under Privacy Constraints集群联邦学习: 隐私约束下的模型不可知的分布式多任务优化
OAAI
OAAI分享收藏Comparison and Modelling of Country-level Microblog User and Activity in Cyber-physical-social Systems Using Weibo and Twitter Data使用微博和Twitter数据对国家级微博用户和网络物理社会系统中的活动进行比较和建模
PREAI
分享收藏
查看更多内容