联邦学习(FL)框架允许多个边缘设备(如智能终端)在数据本地保存的前提下协作训练全局模型。标准FL系统包含云服务器和多个客户端设备,每个设备持有本地数据和机器学习模型副本。每轮FL训练包含三个阶段:
实际应用中,不同客户端的本地数据往往呈现异构分布。在NeurIPS 2022会议上发表的研究中,提出通过量化两种新型异构性指标来优化训练:
基于贝叶斯层次模型理论分析,提出自适应训练方法:
在包含图像和音频的7个数据集测试中,相比7种现有FL算法:
该方法已应用于某机构的边缘计算平台,显著提升了智能终端对用户个性化需求的响应能力。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。
原创声明:本文系作者授权腾讯云开发者社区发表,未经许可,不得转载。
如有侵权,请联系 cloudcommunity@tencent.com 删除。