非独立同分布数据下的去中心化联邦学习策略

来源：计算机工程与应用杂志2023年第1期北京时间：

作者：谭荣杰, 洪智勇, 余文华, 曾志强

单位：五邑大学 智能制造学部，广东 江门 529020

摘要：区块链具有不可篡改性和去中心化的特点，其与联邦学习的结合成为人工智能领域的热门主题。目前去中心化联邦学习存在训练数据非独立同分布导致的性能下降问题，为了解决这个问题，提出一种模型相似度的计算方法，然后设计一种基于该模型相似度的去中心化联邦学习策略，并使用五个联邦学习任务进行测试，分别是CNN模型训练fashion-mnist数据集、alexnet模型训练cifar10数据集、TextRnn模型训练THUsnews数据集、Resnet18模型训练SVHN数据集和LSTM模型训练sentiment140数据集。实验结果表明，设计的策略在五个任务非独立同分布的数据下进行去中心化联邦学习，准确率分别提升了2.51、5.16、17.58、2.46和5.23个百分点。

关键词：区块链,联邦学习,深度学习,数据隐私