在客户端数据非独立同分布(Non‑Independent and Identically Distributed,Non‑IID)的场景中,为了向客户端提供个性化且通信高效的解决方案,提出了一种面向Non‑IID场景的通信高效个性化联邦学习算法。具体地,为充分利用相似客户端之间...在客户端数据非独立同分布(Non‑Independent and Identically Distributed,Non‑IID)的场景中,为了向客户端提供个性化且通信高效的解决方案,提出了一种面向Non‑IID场景的通信高效个性化联邦学习算法。具体地,为充分利用相似客户端之间的知识提升模型性能,同时保留本地客户端的个性化信息,提出一种融合模型分层思想与聚类思想的个性化联邦学习算法。为进一步解决通信开销高的问题,设计选择性模型聚合策略,在中心服务器通过最大均值差异评估客户端数据分布与全局数据分布的相似性,并基于相似性计算各客户端优先级分数,选择优先级较高的客户端进行通信。该策略可有效减少客户端与中心服务器的累计通信次数,提高通信效率并加速模型收敛。最后,仿真实验结果表明,相较于其他联邦学习算法,所提算法能够在保证高准确率的前提下,将累计通信次数减少至少50%。展开更多
文摘在客户端数据非独立同分布(Non‑Independent and Identically Distributed,Non‑IID)的场景中,为了向客户端提供个性化且通信高效的解决方案,提出了一种面向Non‑IID场景的通信高效个性化联邦学习算法。具体地,为充分利用相似客户端之间的知识提升模型性能,同时保留本地客户端的个性化信息,提出一种融合模型分层思想与聚类思想的个性化联邦学习算法。为进一步解决通信开销高的问题,设计选择性模型聚合策略,在中心服务器通过最大均值差异评估客户端数据分布与全局数据分布的相似性,并基于相似性计算各客户端优先级分数,选择优先级较高的客户端进行通信。该策略可有效减少客户端与中心服务器的累计通信次数,提高通信效率并加速模型收敛。最后,仿真实验结果表明,相较于其他联邦学习算法,所提算法能够在保证高准确率的前提下,将累计通信次数减少至少50%。
