传统联邦学习(FL)未考虑协作公平性,导致客户端获得的奖励与它的实际贡献不匹配。针对这一问题,提出一种基于个性化子模型和K均值聚类的联邦学习公平性算法(FedPSK)。首先,根据神经网络中神经元的激活模式对神经元聚类,且仅对聚类后的...传统联邦学习(FL)未考虑协作公平性,导致客户端获得的奖励与它的实际贡献不匹配。针对这一问题,提出一种基于个性化子模型和K均值聚类的联邦学习公平性算法(FedPSK)。首先,根据神经网络中神经元的激活模式对神经元聚类,且仅对聚类后的簇中心神经元进行重要性评估,并使用簇中心神经元的评分代表簇中其他神经元的评分,从而降低神经元评估的耗时;其次,使用层次选取方式选择客户端子模型中包含的神经元数量及编号,并为每个客户端建立具有完整神经网络结构的子模型;最后,通过为客户端下发子模型,实现协作公平性。在不同数据集上的实验结果表明,在公平度量的相关系数方面,FedPSK比FedSAC(Federated learning framework with dynamic Submodel Allocation for Collaborative fairness)提高了2.70%;在时间开销方面,FedPSK比FedSAC至少降低了84.12%。可见,FedPSK在提升FL算法公平性的同时,极大地降低了算法运行的时间开销,验证了所提算法的高效性。展开更多
K均值聚类算法对初始值的选取依赖性极大,易陷入局部极值。为此,结合模拟退火算法和K均值聚类思想,提出一种新的入侵检测方案。算法利用模拟退火算法对聚类分析中的聚类准则进行优化,以获得全局最优解,并进一步开拓模拟退火算法的并行...K均值聚类算法对初始值的选取依赖性极大,易陷入局部极值。为此,结合模拟退火算法和K均值聚类思想,提出一种新的入侵检测方案。算法利用模拟退火算法对聚类分析中的聚类准则进行优化,以获得全局最优解,并进一步开拓模拟退火算法的并行性以加快算法收敛速度。在KDD CUP 1999上进行了仿真测试,实验结果表明该方案优于基于K均值聚类的入侵检测算法,有较低的误检率与虚警率。展开更多
文摘传统联邦学习(FL)未考虑协作公平性,导致客户端获得的奖励与它的实际贡献不匹配。针对这一问题,提出一种基于个性化子模型和K均值聚类的联邦学习公平性算法(FedPSK)。首先,根据神经网络中神经元的激活模式对神经元聚类,且仅对聚类后的簇中心神经元进行重要性评估,并使用簇中心神经元的评分代表簇中其他神经元的评分,从而降低神经元评估的耗时;其次,使用层次选取方式选择客户端子模型中包含的神经元数量及编号,并为每个客户端建立具有完整神经网络结构的子模型;最后,通过为客户端下发子模型,实现协作公平性。在不同数据集上的实验结果表明,在公平度量的相关系数方面,FedPSK比FedSAC(Federated learning framework with dynamic Submodel Allocation for Collaborative fairness)提高了2.70%;在时间开销方面,FedPSK比FedSAC至少降低了84.12%。可见,FedPSK在提升FL算法公平性的同时,极大地降低了算法运行的时间开销,验证了所提算法的高效性。
文摘K均值聚类算法对初始值的选取依赖性极大,易陷入局部极值。为此,结合模拟退火算法和K均值聚类思想,提出一种新的入侵检测方案。算法利用模拟退火算法对聚类分析中的聚类准则进行优化,以获得全局最优解,并进一步开拓模拟退火算法的并行性以加快算法收敛速度。在KDD CUP 1999上进行了仿真测试,实验结果表明该方案优于基于K均值聚类的入侵检测算法,有较低的误检率与虚警率。
