基于异构特征的强化联邦学习模型融合方法
禹发1
赵潇楚2
谷牧3
张元杰4
1.中国石油大学(华东)计算机科学与技术学院 青岛 2665802.中德智能技术研究院 青岛 2660713.航天云网科技发展有限责任公司 北京 1000394.青岛文达通科技股份有限公司 青岛 266555
摘要：在联邦网络中,各个设备间数据的数据呈现Non-IID(Non-Independent and Identically Distributed,非独立同分布),同时设备之间的算力状况也不同,这些异构特征会导致各个节点设备学习的模型质量好坏不一,传统联邦学习将各个节点训练结果等权重进行平均融合,使联邦学习效果不理想,针对联邦网络中这些异构特征,论文通过设计实验,将强化学习加入联邦学习的模型融合过程,代替传统的平均融合方法,为融合模型分配动态权值,提高了联邦学习在异构特征环境下的学习效果,增强了联邦学习的鲁棒性.
关键词：异构特征联邦学习强化学习模型融合深度学习
分类号：TP309.2(计算技术、计算机技术)
资助基金：国家自然科学基金(62072469)国家重点研发计划(2018YFE0116700)山东省自然科学基金(ZR2019MF049)中央高校基本科研业务费专项(2015020031)西海岸人工智能技术创新中心建设专项(2019-1-5)西海岸人工智能技术创新中心建设专项(2019-1-6)上海可信工业控制平台开放项目(TICPSH202003015-ZC)
论文发表日期：2023-10-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：5( 2305-2308,2329 )
英文信息