Federated Average Clustering Learning Based on Time-Asynchronous Similarity

Xiaoyao Zheng

doi:10.1109/TBDATA.2025.3566605

Federated Average Clustering Learning Based on Time-Asynchronous Similarity

2025-05-02

0

PRE

AI

DOI：10.1109/TBDATA.2025.3566605

原文链接

原文求助

摘要

En 中文

为解决联邦学习中的非独立同分布数据挑战，聚类联邦学习从客户端提取本地模型特征，并将具有高本地模型相似性的客户端分组到同一聚类中，以针对相应的数据分布优化全局模型。然而，当前的联邦聚类算法为聚类划分精度带来了额外的通信开销，这增加了部分性能受限的边缘设备的通信负担。为解决聚类联邦学习的通信效率问题，我们提出了优化通信效率的联邦平均聚类学习，该方法使用时间权重随机选择部分客户端参与训练。同时，提出了一种时序异步相似度计算方法，以提升对随机选择客户端的本地模型相似度计算的精度。广泛的实验评估表明，我们的联邦平均聚类学习能够达到甚至超越现有联邦聚类算法的模型精度。在通信评估实验中，我们仅使用现有联邦聚类算法5%至30%的通信量即可达到指定的模型精度。

Keyword:

Communication efficiency

federated clustering algorithm

federated learning

non-independent and identically

Federated Average Clustering Learning Based on Time-Asynchronous Similarity

摘要

期刊

机构

引用论文