计算机应用

作者：张祖篡, 陈学斌, 高瑞, 邹元怀

单位：1.华北理工大学 理学院，河北 唐山 063210；2.河北省数据科学与应用重点实验室（华北理工大学），河北 唐山 063210；3.唐山市数据科学重点实验室（华北理工大学），河北 唐山 063210

关键词：联邦学习,非独立同分布,客户端选择,频数统计,分类排序

基金：国家自然科学基金资助项目(U20A20179)

联邦学习作为一种分布式的机器学习方法，在保护数据隐私的同时可以充分挖掘数据中的价值；然而传统的联邦学习训练方法只是随机选择参与客户端，难以适应非独立同分布（Non-IID）数据集。针对Non-IID数据下联邦学习模型精度低、收敛慢等问题，提出一种基于标签分类的联邦学习客户端选择方法（FedLCCS）。首先，按照频数统计结果分类排序客户端数据集标签；其次，选择拥有高频数标签的客户端参与训练；最后，通过调节自有参数获取不同精度的模型。在MNIST、Fashion-MNIST和Cifar-10数据集上的实验结果表明，结合FedLCCS后的联邦平均（FedAvg）和联邦近端优化（FedProx）这2种基线方法相较于原始方法在初始数据集标签选择比例下的准确率至少提高了9.13和6.53个百分点，收敛速度至少提升了57.41%和18.52%，运行时间至少降低了7.60%和17.62%。以上验证了FedLCCS可以优化联邦模型的精度、收敛速度和运行效率，且能够训练不同准确率的模型以应对多样化的需求。

来源：2024年第12期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第12期