摘要
联邦学习在保护数据隐私安全的同时,实现了模型共享,提高了模型训练精度。然而,如何鼓励数据所有者参与联邦学习并贡献高质量的数据是联邦学习面临的一个关键性问题。现有的相关研究很少对联邦学习任务中的数据质量、模型聚合和奖励分配问题进行系统考虑。本文在现有研究的基础上,结合数据质量、声誉评估和奖励分配,提出了一种基于声誉评估的联邦学习激励机制,旨在提高联邦学习的效率和效果。该机制利用声誉评估对数据所有者的贡献进行公正衡量,并根据贡献动态调整本地模型优化策略,从而给予更多的奖励。此外,该机制还采用了一种基于PolyLoss的损失函数来优化联邦学习模型的质量。最后,在MNIST和CIFAR-10数据集上进行了仿真实验,验证了该机制的有效性。实验结果显示,该激励机制能够促进数据所有者积极参与联邦学习任务,并提供高质量的数据来训练本地模型,从而提高联邦学习模型的质量。
出处
《信息记录材料》
2024年第2期196-200,共5页
Information Recording Materials
基金
国家自然科学基金资助项目(61941205)。
作者简介
熊诚(2000-),男,湖北武汉,硕士,研究方向:大数据分析;通信作者:巫朝霞。
