-
公开(公告)号：CN120012955A
公开(公告)日：2025-05-16
申请号：CN202510076287.4
申请日：2025-01-17
Applicant: 重庆邮电大学
IPC: G06N20/00
Abstract: 本发明公开了一种面向非独立同分布数据的公平联邦学习方法，属于联邦学习技术领域。虽然目前已有较多针对联邦学习的公平性方案，但这些方案大多需要增加客户端资源开销。本发明在实施过程中，通过引入辅助数据集，并结合交叉熵与边际损失，比较客户端在未参与聚合时全局模型的性能，与其参与聚合时全局模型的性能，来衡量该客户端的影响力；利用所求影响力，建立聚合权重调整机制，确保对全局模型影响力较大的客户端获得更高的聚合权重；根据每轮参与客户端的影响力大小，增加具有较高影响力的客户端参与联邦训练的次数。同时，采用上述方法，无需增加客户端计算资源消耗和任何额外通信，促进了联邦学习过程中的良性循环，提升参与方的积极性。
Search Results
1
records
(took 0.017 seconds)
筛选
AND
AND
过滤
NOT
NOT
Scan to Join
