基于双流神经网络的个性化联邦学习方法

来源：计算机应用杂志2024年第8期北京时间：

作者：沈哲远, 杨珂珂, 李京

单位：中国科学技术大学 计算机科学与技术学院，合肥 230027

摘要：经典的联邦学习（FL）算法在数据高度异构的场景下难以取得较好的效果。个性化联邦学习（PFL）针对数据异构问题，提出新的解决方案，即为每个客户端“量身定做”专属模型，这样模型会拥有较好的性能；然而同时会引出难以将FL扩展到新客户端上的问题。针对PFL中的性能与扩展的难题展开研究，提出基于双流神经网络结构的联邦学习模型，简称FedDual。双流神经网络模型通过增加一个用于分析客户端个性化特征的编码器，既能拥有个性化模型的性能，又便于扩展到新客户端。实验结果表明，相较于经典联邦平均（FedAvg）算法，FedDual在MNIST和FashionMNIST等数据集上的准确率有明显提升，而在CIFAR10数据集上的准确率提升了10个百分点以上，且面对新客户端保持准确率不下降，实现了“即插即用”，解决了新客户端难以扩展的问题。

关键词：联邦学习,个性化联邦学习,数据异构,双流神经网络,新客户端问题

基金资助：中国科学院战略性先导科技专项（A类）(XDA19020102)