基本信息

---

下载

文档摘要

---

面向非独立同分布数据的联邦学习通信效率研究

摘要

联邦学习是一种分布式机器学习框架，面临着数据异质性的挑战。在非独立

同分布数据环境下，联邦学习本地模型的收敛偏差使全局模型的收敛速度降低，

导致通信负担增加。集群联邦学习使用集群模型训练特定分布的数据，增加非独

立同分布数据联邦学习的模型收敛速度和性能。其次，使用模型压缩能够进一步

降低模型的数据传输量，提高通信效率。然而集群联邦学习的集群划分过程要求

客户端接收额外的模型参数或者客户端全部参与训练，增加了客户端的通信负担。

针对上述问题，本文