典型文献
边缘场景下动态权重的联邦学习优化方法
文献摘要：
边缘计算(Edge Computing)作为一种新的计算范式,在网络边缘提供计算服务,相比传统的云计算模式,它具有高可信、低延迟等特点,在各行各业中有着广阔的应用前景,但在隐私保护和数据处理上仍存在一些问题.而联邦学习作为一种分布式的机器学习技术,能很好地解决边缘计算场景下数据分布不一致和数据隐私问题,但仍面临设备异构、数据异质及通信方面的挑战,如模型偏移、收敛效果差、部分设备计算结果丢失等问题.为解决上述问题,提出动态权重的联邦学习优化算法(FedDw).该算法关注设备的服务质量,减少训练速度不一致导致部分设备参与带来的异构性影响,并根据服务质量确定在最终模型聚合时的占比,从而确保聚合的结果在复杂的真实情况下更具有鲁棒性.在10个地区气象站的真实数据集上与FedProx和Scaffold这两种典型的联邦学习算法进行了对比,实验结果表明FedDw算法具有更好的综合性能.
文献关键词：
联邦学习;边缘计算;风能预测;设备异构;动态权重
中图分类号：
作者姓名：
程帆;王瑞锦;张凤荔
作者机构：
电子科技大学信息与软件工程学院 成都610054
文献出处：
引用格式：
[1]程帆;王瑞锦;张凤荔-.边缘场景下动态权重的联邦学习优化方法)[J].计算机科学,2022(12):53-58
A类：
设备异构,FedDw,FedProx,风能预测
B类：
边缘场景,动态权重,联邦学习,学习优化,边缘计算,Edge,Computing,计算范式,网络边缘,计算服务,计算模式,低延迟,隐私保护,习作,机器学习技术,数据分布,数据隐私,数据异质,收敛效果,分设,出动,少训练,训练速度,异构性,量确定,终模型,模型聚合,真实情况,气象站,真实数据,Scaffold
AB值：
0.382625
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
