文献类型：期刊文章

作　　者：刘小雨[1]

LIU Xiaoyu(Information Management Department,Zhongnan University of Economics and Law,Wuhan 430205)

机构地区：[1]中南财经政法大学信息管理部,武汉430205

出　　处：《计算机与数字工程》

年　　份：2022

卷　　号：50

期　　号：12

起止页码：2694-2699

语　　种：中文

收录情况：ZGKJHX、普通刊

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。

关 键 词：联邦学习  多目标优化 改进NSGA-Ⅱ算法  

分 类 号：TP316.4]