.png){kind=icon}
返回
Personalized Federated Learning Algorithm Based on Composite Feature Extractor
.png){kind=icon}
PRE
AI
DOI：10.1109/JIOT.2026.3667304.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
在物联网（IoT）环境中，为在保持良好数据隐私的同时维持联邦学习（FL）模型的全局一致性和泛化能力，提出了一种基于复合特征提取器（CFE）的个人化FL算法，即FedCFE。FedCFE框架由三个核心模块组成：CFE、条件生成器（CG）和知识蒸馏机制。通过模块化地结合全局与局部特征提取器，所提出的CFE能够在不破坏全局知识共享的情况下实现设备特定的个性化。同时，CG生成代表性伪数据，这有助于在不直接访问私有数据的情况下，将客户端模型的有效知识蒸馏到服务器模型中。广泛的实验结果表明，FedCFE在各种异构数据场景下始终达到具有竞争力或更优的性能。在高度非IID的CIFAR-100数据集上，FedCFE相比当前最优算法提高了2.19%的分类准确率。这些结果表明，FedCFE为在资源受限且通信不稳定的物联网环境中实现协作智能提供了一种有效、轻量级且隐私保护的解决方案。
Keyword:
Conditional generator (CG)
heterogeneous Internet of Things (IoT) data
information security
knowledge distillation
personalized federated learning (PFL)
期刊
IF:
8.9
论文数:
1.4W
被引数:
7.8W
机构
引用论文
.png){kind=icon}
分享收藏
查看更多内容