基于层析分析改进的联邦平均算法

摘要：

联邦平均(Fedavg)算法采用权重更新来更新全局模型,该算法在权重更新时仅考虑每个客户端数据量的大小,未考虑数据质量对模型的影响.针对该问题,文中提出了基于层次分析改进的联邦平均算法,首次从数据质量的角度来处理多源数据.首先采用熵权法计算数据中各属性的重要度,并将其作为层次分析中准则层的数值,计算每个客户端数据的质量,然后结合客户端数据量的大小,重新计算全局模型中的权重.仿真实验的结果表明,对于中小型数据集而言,使用支持向量机训练的模型准确度最高,达到了85.7152％;对于大型数据集而言,采用随机森林训练的模型准确率最高,达到了91.9321％.与传统联邦平均方法相比,所提方法在中小数据集上准确率提升了3.5％,在大数据集上提升了1.3％,能够在提升模型准确率的同时提高数据与模型的安全性.

关键词：联邦平均(Fedavg);熵权法;层析分析;权重更新

所属期刊栏目：48

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金项目;唐山市科技项目

在线出版日期：2021-08-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：32-40