计算机工程与科学

作者：郭昌昊, 唐湘云, 翁彧

单位：中央民族大学信息工程学院，北京 100081

关键词：物联网,联邦学习,异步联邦学习,分层联邦学习,数据异质性,数据分布,

基金：国家自然科学基金青年基金(62302539);中央民族大学国家安全研究院边疆少数民族地区国家安全研究项目(2023GJAQ08)

在物联网设备遍布的时代，时刻都在产生大量数据，数据分布和数据量各不相同，因此数据异质性普遍存在。针对物联网环境中智能设备的联邦学习挑战，传统联邦学习的同步机制解决数据异质性（NON-IID）问题并不理想，且面临着单点故障和维护全局时钟的复杂性问题，而异步机制则可能带来额外的通信开销和NON-IID数据分布导致的过时性问题。分层联邦学习结合异步机制在应对数据异质性的问题时更加灵活，为此，提出了一种基于分层联邦学习的异步分层联邦学习方法。首先，使用BIRCH算法分析物联网中各节点的数据分布并进行簇的划分；然后，对簇中的数据进行拆分与验证，目的是找到数据质量高的节点，然后将数据质量高的簇中的节点打散，重组到其他数据质量低的簇中，形成新的簇；最后，进行簇内聚合和全局聚合的两阶段模型训练。此外，基于MNIST数据集，对提出的方法进行了评估。结果表明，与经典方法相比，所提方法在NON-IID数据集上收敛速度提高，而且在模型精度上提高了15%以上。

来源：2024年第7期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2024年第7期