文献检索-宁波市创意产业特色资源库

限定检索结果

基于异构特征的强化联邦学习模型融合方法: 收藏
分享
引用; 《计算机与数字工程》2023年第10期51卷 2305-2308,2329页; 作者：禹发赵潇楚谷牧张元杰中国石油大学(华东)计算机科学与技术学院青岛266580 中德智能技术研究院青岛266071 航天云网科技发展有限责任公司北京100039 青岛文达通科技股份有限公司青岛266555; 在联邦网络中,各个设备间数据的数据呈现Non-IID(Non-Independent and Identically Distributed,非独立同分布),同时设备之间的算力状况也不同,这些异构特征会导致各个节点设备学习的模型质量好坏不一,传统联邦学习将各个节点训练结果...; 在联邦网络中,各个设备间数据的数据呈现Non-IID(Non-Independent and Identically Distributed,非独立同分布),同时设备之间的算力状况也不同,这些异构特征会导致各个节点设备学习的模型质量好坏不一,传统联邦学习将各个节点训练结果等权重进行平均融合,使联邦学习效果不理想,针对联邦网络中这些异构特征,论文通过设计实验,将强化学习加入联邦学习的模型融合过程,代替传统的平均融合方法,为融合模型分配动态权值,提高了联邦学习在异构特征环境下的学习效果,增强了联邦学习的鲁棒性。; 来源：详细信息评论

限定检索结果