.png){kind=icon}
返回
Dynamic weight federated client selection using adaptive genetic algorithm
.png){kind=icon}
PRE
AI
DOI：10.1007/s10586-025-05492-w.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在联邦学习环境中，大部分参与客户端的数据分布将存在显著异质性，这种差异将在全局模型的训练过程中引发诸多挑战。通过筛选优质客户端参与训练，可提升模型对不同数据特征的适应性。本文提出一种基于自适应遗传算法的动态加权联邦客户端选择方法（GAFL），其中染色体上的基因代表所有客户端的不同权重组合，并通过在染色体种群上结合自适应遗传操作动态调整交叉概率，同时配合动态权重分配策略，寻找最优客户端组合。该双重动态机制使本方法更具灵活性，并显著提升模型性能。实验结果表明，GAFL方法在多个医疗数据集上优于传统算法。
Keyword:
Federated learning
Dynamic weight
Adaption genetic algorithms
Client selection
期刊
C
IF:
0
论文数:
691
被引数:
1
机构
引用论文
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
.png){kind=icon}
OAAI分享收藏A Survey on Federated Learning Systems: Vision, Hype and Reality for Data Privacy and Protection
OAAI
OAAI分享收藏分享收藏
查看更多内容