【技术实现步骤摘要】
本专利技术涉及联邦学习准技术，具体涉及一种异质数据环境下基于客户端贡献理清的联邦学习方法。
技术介绍
1、在现有的技术背景中，联邦学习理论上要求在跨客户端的数据呈现iid特性下运行。然而，实际操作中，数据大多数情况是non-iid的，意味着各客户端之间存在不同的数据分布。在此背景下，许多研究努力专利技术了各种解决方案来应对联邦学习中的non-iid数据问题。
2、例如，现有联邦学习算法fedavg核心思想是基于各节点的数据量对全局模型进行加权策略，该方法在一定程度上解决了统计异质性的问题，但由于其经验性质，其在non-iid数据上的泛化能力存在不足。针对fedavg的这一技术缺陷，litian等人进一步创新，提出了fedprox算法，fedprox的独特之处在于它在目标函数中加入了近端项，旨在增强客户端模型与全局模型的一致性，但此技术同样面临挑战：过大的近端项可能妨碍模型的快速收敛。
3、例如，现有联邦学习算法scaffold(fedavg的改进版)特色是通过降低方差来抵抗局部模型的偏移，但是，该现有方法在应对深...
【技术保护点】
1.一种异质数据环境下基于客户端贡献理清的联邦学习方法，其特征在于，包括以下步骤：
【技术特征摘要】
1.一种异质数据环境下基于客户端贡献理清的...
【专利技术属性】
技术研发人员：程力，刘春明，杨洋，王峰，王振，阮子辰，李钰颖，
申请(专利权)人：湖北大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。