科研之友
微信
新浪微博
Facebook
分享链接
摘要
经典的联邦学习算法在数据高度异构的场景下难以取得较好的效果。个性化联邦学习针对数据异构问题，提出了新的解决方案，即为每个客户端“量身定做”专属模型，拥有较好的性能，但引出了难以将联邦学习扩展到新客户端上的问题。针对个性化联邦学习中，性能与扩展的难题展开研究，提出基于双流网络结构的联邦学习模型，简称FedDual。双流网络模型通过增加一个用于分析客户端个性化特征的编码器，既能拥有个性化模型的性能，同时又便于扩展到新客户端。实验表明，FedDual在MNIST,FashionMNIST等数据集任务上相比经典联邦平均算法（FedAvg）准确率明显提升，在CIFAR10数据集提升了10个百分点以上，且面对新客户端保持准确率不下降，实现“即插即用”，解决了新客户端难以扩展的问题。
- 单位
