基于联邦增量学习的工业物联网数据共享方法

作者：刘晶; 董志红; 张喆语; 孙志刚; 季海鹏^*

来源：计算机应用, 2022, 42(04): 1235-1243.

• 工业物联网(IIOT)
• 联邦学习
• 增量学习
• 数据不均衡
• 优选子端

针对工业物联网（IIOT）新增数据量大、工厂子端数据量不均衡的问题，提出了一种基于联邦增量学习的IIOT数据共享方法（FIL-IIOT）。首先，将行业联合模型下发到工厂子端作为本地初始模型；然后，提出联邦优选子端算法来动态调整参与子集；最后，通过联邦增量学习算法计算出工厂子端的增量加权，从而使新增状态数据与原行业联合模型快速融合。实验结果表明，在美国凯斯西储大学（CWRU）轴承故障数据集上，所提FIL-IIOT使轴承故障诊断精度达到93.15%，比联邦均值（FedAvg）算法和无增量公式的FIL-IIOT(FIL-IIOT-NI)方法分别提高了6.18个百分点和2.59个百分点，满足了基于工业增量数据的行业联合模型持续优化的需求。

• 单位
  长城汽车股份有限公司; 河北工业大学