摘要：联邦学习在保护各方数据隐私的前提下,协同多方共同训练,提高了全局模型的精度。数据的类不平衡问题是联邦学习范式中具有挑战的问题,联邦学习中的数据不平衡问题可分为局部数据不平衡和全局数据不平衡,目前针对全局数据不平衡问题的相关研究较少。文中提出了一种面向全局不平衡问题的基于贡献度的联邦学习方法(CGIFL)。首先,设计了一种基于贡献度的全局判别损失函数,用于调整本地训练过程中的模型优化方向,使模型在训练中给予全局少数类更多的关注,以提高模型的泛化能力;然后,在全局模型更新阶段,设计了一种基于贡献度的动态联邦汇聚策略,优化了各节点的参与权重,更好地平衡了全局模型的更新方向。在MNIST,CIFAR10和CIFAR100这3个数据集上进行实验,实验结果表明了CGIFL在解决全局数据不平衡问题上的有效性。

摘要：BBU集中化部署对于网络提质增效具有重要的意义,结合某省网络评测情况,重点从统筹增量BBU和存量BBU,存量BBU迁移与集中化部署面临的问题及挑战、BBU集中对于本地传送网的需求等方面进行探讨,提出BBU集中化部署的总体策略和本地传送网应对策略,并分享了具体案例。对于各地开展BBU集中化部署和本地传送网的建设具有一定的借鉴意义。