FCAT-FL:基于Non-IID数据的高效联邦学习算法

摘要：

针对非独立同分布(Non-IID)数据影响联邦学习收敛速度、公平性和准确性的问题,提出一种基于Non-IID数据的快速收敛公平联邦迁移学习框架——FCAT-FL.该框架改进传统联邦学习依照客户端数据量占比权衡聚合贡献度的策略,根据客户端本地模型参数和服务器聚合模型参数间的关系,在每轮聚合时为客户端动态分配自适应权重,并在客户端引入个性化迁移学习模型和动量梯度下降算法以求加快本地模型训练速度.实验结果表明:与几种基线聚合策略相比,当部分客户端的数据为Non-IID时,FCAT-FL中聚合策略1的全局迭代轮次有所减少,客户端间公平性和准确性得到提高,并且迁移学习的使用令客户端需训练和上传的模型参数数量减少,使FCAT-FL适用于客户端资源有限的移动边缘网络.

关键词：联邦学习、非独立同分布、收敛性、公平性、迁移学习、动量梯度下降

所属期刊栏目：42

分类号：TP181(自动化基础理论)

资助基金：国家自然科学基金61771264

在线出版日期：2022-08-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：90-99