基于Logistic最優(yōu)化魯棒性的聚類聯(lián)邦學(xué)習(xí)

摘 要：

為了解決聯(lián)邦學(xué)習(xí)中數(shù)據(jù)異構(gòu)導(dǎo)致模型準(zhǔn)確率下降的問題，提出了一種基于Logistic最優(yōu)化魯棒性的聚類聯(lián)邦學(xué)習(xí)（Logistic＼|based More Robust Clustered Federated Learning，LMRCFL）方法，將具有相似數(shù)據(jù)分布的客戶端分組到相同的集群中，不需要訪問其私有數(shù)據(jù)，可為每個客戶端集群訓(xùn)練模型；在目標(biāo)函數(shù)中引入正則項更新本地?fù)p失函數(shù)，緩解Non＼|IID（非獨立同分布）數(shù)據(jù)帶來的客戶端偏移問題，通過減小模型差異提升模型準(zhǔn)確率。（剩余9603字）