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...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。展开更多
文摘在联邦网络中,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。
