数据异质场景下的联邦学习模型校正与聚合

来源：电子测量技术杂志2022年第20期北京时间：

作者：邹承明，赵宁

单位：1. 武汉理工大学 计算机与人工智能学院 武汉 430079;2. 交通物联网技术湖北省重点实验室 武汉 430079

摘要：作为一种分布式机器学习范式，联邦学习在用户数据隐私保护方面拥有巨大潜力，是近年来的一大研究热点。首先，针对数据统计异质场景中普遍存在的用户模型偏差问题，提出了基于生成对抗网络的虚拟特征生成与分类层校正方案。其次，针对特殊的概念偏移场景，提出了基于分类层聚类的个性化分组聚合方案。最后，整合上述两种方案，并在图像分类数据集CIFAR-10上进行单项实验和集成实验。实验结果显示，相较于经典的联邦平均聚合算法，本文所提出的集成方案不仅显著提升了单中心全局模型的收敛速度，也增强了多中心簇模型的个性化能力。 关键词： 联邦学习；数据异质；分类层校正；分类层聚类

关键词：联邦学习;数据异质;分类层校正;分类层聚类