基于標簽分類的聯(lián)邦學習客戶端選擇方法

摘要： 聯(lián)邦學習作為一種分布式的機器學習方法，在保護數(shù)據(jù)隱私的同時可以充分挖掘數(shù)據(jù)中的價值；然而傳統(tǒng)的聯(lián)邦學習訓練方法只是隨機選擇參與客戶端，難以適應非獨立同分布（Non-IID）數(shù)據(jù)集。針對Non-IID數(shù)據(jù)下聯(lián)邦學習模型精度低、收斂慢等問題，提出一種基于標簽分類的聯(lián)邦學習客戶端選擇方法（FedLCCS）。首先，按照頻數(shù)統(tǒng)計結果分類排序客戶端數(shù)據(jù)集標簽；其次，選擇擁有高頻數(shù)標簽的客戶... （共7頁）