FedAEF: optimizing federated learning with mining and enhancing local data features

doi:10.1007/s10586-025-05236-w

FedAEF: optimizing federated learning with mining and enhancing local data features

2025-08-30

0

PRE

AI

DOI：10.1007/s10586-025-05236-w

原文链接

原文求助

摘要

En 中文

联邦学习是一种用于在数据本地化条件下训练模型的分布式机器学习方法。然而，由本地设备生成数据通常具有异质性（非独立同分布，Non-IID），因为它受到时间、地理位置和采样偏差的影响，这可能导致模型性能次优和收敛速度变慢。大多数方法通过在本地设备上调整优化方向或利用共享数据集来缓解这一问题。然而，由于未能充分利用本地高质量数据，它们仍然难以有效处理Non-IID数据。针对这些问题，我们提出了一种优化方法FedAEF。该方法在本地设备上训练自编码器以提取本地数据特征，服务器聚合这些特征并生成独立同分布（IID）数据以微调全局模型。实验表明，与FedAVG、FedProx和SCAFFOLD相比，FedAEF将准确率提高了2.5%，并且模型收敛性能提升了55.9%。

Keyword:

Federated learning

Model aggregation

Fine-tuned

Non-IID

FedAEF: optimizing federated learning with mining and enhancing local data features

摘要

期刊

机构