基于联盟聚类的联邦学习客户端选择算法

《IEEE Internet of Things Journal》:Tackling Heterogeneity in Federated Learning via Variance-Reduced Boltzmann Sampling within Homogeneous Social Coalitions

【字体: 大 中 小 】 时间:2026年10月23日 来源:IEEE Internet of Things Journal 8.7

编辑推荐:

   摘要:基于服务器的联邦学习(FL)能够实现保护隐私的协作模型训练,但其效果往往受到客户端数据分布异质性的限制。在本文中,我们通过引入一种客户端选择算法来解决这一局限,该算法 i) 基于渐近一致性动态形成不重叠的客户端联盟,ii) 使用方差缩减准则从每个联盟中选择一个代表。我们

  

摘要:

基于服务器的联邦学习(FL)能够实现保护隐私的协作模型训练,但其效果往往受到客户端数据分布异质性的限制。在本文中,我们通过引入一种客户端选择算法来解决这一局限,该算法 i) 基于渐近一致性动态形成不重叠的客户端联盟,ii) 使用方差缩减准则从每个联盟中选择一个代表。我们的方法借鉴了社交网络建模的思想,利用基于同质性的邻近矩阵进行谱聚类,并通过信息性节点选择来估计群体的聚合意见。我们在明确的有界矩假设和梯度对齐假设下,提供了该算法渐近行为的理论分析。针对广泛的一类考虑异质性的基线方法进行的实证验证表明,在非独立同分布(non-IID)数据分布下,我们的方法取得了更优或极具竞争力的准确率。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号