【技术实现步骤摘要】
本专利技术涉及分布式机器学习，尤其是涉及一种基于预测机制的聚类联邦学习方法、系统与电子设备。
技术介绍
1、联邦学习作为一种保护用户隐私的分布式机器学习技术，在物联网、医疗健康等领域应用广泛。然而，实际应用中客户端数据分布差异大、训练参与不均衡等非iid特性，导致传统联邦学习方法性能下降、收敛速度慢。
2、现有技术如fedavg、fedprox等单一全局模型方法在非iid环境中表现不佳；而基于k-means的多中心聚类方法(如fesem)虽有改进，但过度依赖所有客户端参与训练，且难以适应新加入客户端，限制了实际部署效率。亟需一种能适应部分客户端参与、支持新客户端动态加入的鲁棒联邦学习方法。
3、经过检索，中国专利技术专利申请公开号cn113033820b公开了一种联邦学习方法、装置以及设备，所述方法包括：确定根据客户端之间的相似度进行聚类得到的多个客户端组，以及所述客户端组中的代表客户端，所述客户端应用在物联网设备上；通过所述代表客户端，向所述客户端组发送训练请求；接收所述代表客户端反馈的所述客户端组中部分客户端...
【技术保护点】
1.一种基于预测机制的聚类联邦学习方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种基于预测机制的聚类联邦学习方法，其特征在于，所述多中心聚类机制包括：
3.根据权利要求1所述的一种基于预测机制的聚类联邦学习方法，其特征在于，所述的部分客户端选择策略包括聚类比例抽样、轮次间隔评估及新客户端适应机制。
4.根据权利要求3所述的一种基于预测机制的聚类联邦学习方法，其特征在于，所述的聚类比例抽样具体为：从每个聚类中心随机选择一定比例的客户端组成训练集合sck，计算公式为：
5.根据权利要求3所述的一种基于预测机制的聚...
【技术特征摘要】
1.一种基于预测机制的聚类联邦学习方法，其特征在于，该方法包括：
2.根据权利要求1所述的一种基于预测机制的聚类联邦学习方法，其特征在于，所述多中心聚类机制包括：
3.根据权利要求1所述的一种基于预测机制的聚类联邦学习方法，其特征在于，所述的部分客户端选择策略包括聚类比例抽样、轮次间隔评估及新客户端适应机制。
4.根据权利要求3所述的一种基于预测机制的聚类联邦学习方法，其特征在于，所述的聚类比例抽样具体为：从每个聚类中心随机选择一定比例的客户端组成训练集合sck，计算公式为：
5.根据权利要求3所述的一种基于预测机制的聚类联邦学习方法，其特征在于，所述轮次间隔评估具体为：计算客户端参与训练的间隔轮次nt＝t-lt，其中t为当前轮次，lt为最近一次参与训练的轮次；
6.根据...
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。