基于多目标优化的联邦学习进化算法

作者：胡智勇; 于千城^*; 王之赐; 张丽丝

来源：计算机应用研究, 2023, 1-7.

DOI：10.19734/j.issn.1001-3695.2023.05.0235

• 联邦学习
• 多目标优化
• NSGA-Ⅲ算法
• 本地化差分隐私
• 参数优化

传统联邦学习存在高通信成本、结构异构、隐私保护力度不足的问题。针对上述问题，提出了一种联邦学习进化算法，应用稀疏进化训练算法降低通信成本、结合本地化差分隐私保护参与方隐私，同时采用NSGA-Ⅲ算法优化联邦学习全局模型的网络结构、稀疏性，调整数据可用性与隐私保护之间的关系，实现联邦学习全局模型有效性、通信成本和隐私性的均衡。不稳定通信环境下的实验结果表明，在MNIST和CIFAR-10数据集上，与FNSGA-Ⅲ算法错误率最低的解相比，该算法所得解的通信效率分别提高57.19%和52.17%，并且参与方实现了(3.46,10-4)和(6.52,10-4)-本地化差分隐私。在不严重影响全局模型准确率的前提下，该算法有效降低了联邦学习的通信成本并保护了参与方隐私。

• 单位
  北方民族大学