计算机应用

作者：尹春勇, 周永成

单位：1.南京信息工程大学 计算机学院、网络空间安全学院，南京 210044；2.南京信息工程大学 软件学院，南京 210044

关键词：联邦学习,聚类,异构数据,分布式机器学习,神经网络

基金：国家自然科学基金资助项目(6177282)

联邦学习（FL）是一种分布式机器学习方法，旨在共同训练全局模型，然而全局模型难以胜任多数据分布情况。为应对多分布挑战，引入聚类联邦学习，以客户端分组方式优化共享多模型。其中，服务器端聚类难以修正分类错误，而客户端聚类则对初始模型的选择至关重要。为解决这些问题，提出自动调整聚类联邦学习（AACFL）框架，所提框架采用双端聚类整合服务器端和客户端聚类。首先用双端聚类将客户端分为可调整集群，其次自动调整局部客户端身份，最后获取正确的客户集群。在非独立同分布下，在3个经典联邦数据集上的评估实验结果表明，AACFL能够在双端聚类结果存在错误的情况下通过调整获得正确集群，当簇数为4，客户端数为100时，与联邦平均（FedAvg）算法、聚类联邦学习（CFL）和IFCA（Iterative Federated Clustering Algorithm）等方法相比，有效地提高模型收敛速度和获得正确聚类结果的速度，准确率平均提升0.20~23.16个百分点。验证了所提框架能够高效聚类，并提高模型收敛速度和准确率。

来源：2024年第10期

《计算机应用》期刊编辑部

查看计算机应用杂志2024年第10期