基于SMPC的去中心化联邦学习:收敛性与可扩展性分析
《iEnergy》:A jitter-estimation-based multipath network timing scheme
【字体:
大
中
小
】
时间:2026年09月20日
来源:iEnergy 5.7
编辑推荐:
联邦学习使协作模型训练成为可能,且无需共享原始数据,但其集中式聚合结构要求客户端信任并依赖单一的中心服务器。在我们先前的工作中,我们提出了一种基于SMPC聚合的去中心化联邦学习方案,以解决上述信任问题。在本文中,我们通过检验其长期收敛行为、控制每个客户端的数据规模以隔离客户端
联邦学习使协作模型训练成为可能,且无需共享原始数据,但其集中式聚合结构要求客户端信任并依赖单一的中心服务器。在我们先前的工作中,我们提出了一种基于SMPC聚合的去中心化联邦学习方案,以解决上述信任问题。在本文中,我们通过检验其长期收敛行为、控制每个客户端的数据规模以隔离客户端数量的影响,以及改变数据异质性程度,对所提出的方案进行了分析。在CIFAR-10数据集上的实验表明,性能下降主要是由于本地数据规模减少所致,而SMPC本身并未表现出特定的显著不稳定性。通信测量结果进一步显示,与明文聚合相比,SMPC增加了通信开销,但随着客户端数量增加仍保持约线性的可扩展性。
生物通微信公众号
生物通新浪微博
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