文献类型：期刊文章

作　　者：刘晶[1,3,4] 朱家豪[1] 袁闰萌[5] 季海鹏[2,3,4]

LIU Jing;ZHU Jiahao;YUAN Runmeng;JI Haipeng(School of Artificial Intelligence,Hebei University of Technology,Tianjin 300400,China;School of Materials Science and Engineering,Hebei University of Technology,Tianjin 300400,China;Hebei Provincial Data Driven Industrial Intelligent Engineering Research Center,Tianjin 300400,China;Tianjin Development Zone Jingnuo Data Technology Co.,Ltd.,Tianjin 300400,China;School of Software,Tianjin Normal University,Tianjin 300382,China)

机构地区：[1]河北工业大学人工智能与数据科学学院,天津300400 [2]河北工业大学材料科学与工程学院,天津300400 [3]河北省数据驱动工业智能工程研究中心,天津300400 [4]天津开发区精诺瀚海数据科技有限公司,天津300400 [5]天津师范大学软件学院,天津300382

出　　处：《计算机集成制造系统》

基　　金：京津冀基础研究合作专项资助项目(E2021203250);河北省自然科学基金面上资助项目(F2022202021)。

年　　份：2023

卷　　号：29

期　　号：5

起止页码：1602-1614

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD2023_2024、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：联邦学习在不交换本地数据的情况下可以完成多方协作训练,很好地解决了工业物联网领域数据隐私保护及共享问题。但是传统的联邦学习在面对非独立同分布的工业数据时,会因为局部模型更新导致模型的偏移。针对上述问题,提出非独立同分布工业大数据下联邦动态加权学习方法,该方法分为局部更新和全局聚合两个阶段。在局部更新阶段,利用联邦距离算法消除偏移程度过大的局部模型的影响;在全局聚合阶段,提出动态加权算法,动态的给对全局模型更有利的局部数据分配更大的训练权重。该方法既考虑了局部更新导致的模型偏移程度问题,又兼顾了偏移局部模型对全局模型的影响。通过实验验证了该方法在面对非独立同分布的工业数据时具有良好的效果。

关 键 词：工业物联网 隐私保护 联邦学习  非独立同分布数据  

分 类 号：TP301.6]