典型文献
基于改进NSGA-II算法的多目标联邦学习
文献摘要:
联邦学习作为一种新兴技术,可在融合多参与方数据的机器学习训练的同时,保证各参与方隐私数据的安全性,有效解决数据隐私问题以及数据孤岛问题.然而,联邦学习仍然面临着巨大的挑战,各个客户端与中心服务器的不断交互带来了巨大的通信成本.为了在保证模型精度的情况下尽量减少通信开销,论文提出一种改进的NSGA-II算法来对联邦学习中全局模型的结构进行优化,引入快速贪婪初始化和进化后期丢弃低质量个体的策略来对传统NSGA-II算法进行改进.实验表明,与MOEA/D算法对比,论文改进NSGA-II算法在同等实验条件下性能更好,可获得更好的Pareto最优集,有效优化联邦学习模型结构,降低通信成本.
文献关键词:
联邦学习;多目标优化;改进NSGA-II算法
中图分类号:
作者姓名:
刘小雨
作者机构:
中南财经政法大学信息管理部 武汉 430205
文献出处:
引用格式:
[1]刘小雨-.基于改进NSGA-II算法的多目标联邦学习)[J].计算机与数字工程,2022(12):2694-2699
A类:
B类:
NSGA,II,联邦学习,习作,参与方,学习训练,隐私数据,数据隐私,数据孤岛,客户端,中心服务器,断交,通信成本,模型精度,尽量减少,通信开销,对联,全局模型,贪婪初始化,丢弃,低质量,MOEA,算法对比,实验条件,Pareto,有效优化,模型结构,多目标优化
AB值:
0.419652
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。