科研之友
微信
新浪微博
Facebook
分享链接
摘要
联邦学习作为一种新兴技术，可在融合多参与方数据的机器学习训练的同时，保证各参与方隐私数据的安全性，有效解决数据隐私问题以及数据孤岛问题。然而，联邦学习仍然面临着巨大的挑战，各个客户端与中心服务器的不断交互带来了巨大的通信成本。为了在保证模型精度的情况下尽量减少通信开销，论文提出一种改进的NSGA-Ⅱ算法来对联邦学习中全局模型的结构进行优化，引入快速贪婪初始化和进化后期丢弃低质量个体的策略来对传统NSGA-Ⅱ算法进行改进。实验表明，与MOEA/D算法对比，论文改进NSGA-Ⅱ算法在同等实验条件下性能更好，可获得更好的Pareto最优集，有效优化联邦学习模型结构，降低通信成本。
- 单位
