一种基于分层抽样的个性化联邦学习方法

摘要

联邦学习是一种保护数据隐私的分布式学习方法，通过聚合多个客户端的本地模型更新来训练全局共享模型。为了有效应对不同客户端的数据分布异质性问题，个性化联邦学习方法在传统联邦学习框架中引入了个性化组件，使每个客户端都能够根据其特定需求训练本地模型。本文结合分层抽样策略提出了一种新的个性化联邦学习方法，提高了模型训练的效率，同时减少了通信复杂度。本文建立了算法的收敛性。仿真实验表明，合理地选择分组数量和抽样策略能够显著加快算法的收敛速度，提高其精度。

关键词

个性化联邦学习 / 分层抽样 / 非独立同分布 / 优化算法 / 收敛性分析