工业物联网中的个性化联邦学习算法的研究

摘要

为了在不直接共享原始数据的前提下构建联合模型，联邦学习应运而生.然而，在复杂的工业物联网环境中，联邦学习的应用面临两大挑战：1)工业物联网设备之间彼此异构，掉队和离线设备的存在极大拖慢了联邦学习的训练速；2)不同数据所有者拥有的数据彼此异构，客户端的本地模型差异较大，简单对本地模型进行平均无法获得适用于所有客户端的高质量模型.为了解决上述挑战，本文设计了一个融合数字孪生的联邦学习架构，实现对设备资源的高效调度.此外，本文提出了一个基于参数解耦和聚类的个性化联邦学习算法，既能满足用户的个性化需求，又能实现同构客户端的深度协作.实验结果验证了提出的个性化联邦学习算法的有效性.

关键词

联邦学习 / 工业物联网 / 数字孪生 / 个性化

基金资助

国家自然科学基金项目(62462029,62062006)资助; 广西自然科学基金项目(2018JJA170028,2019JJA170045)资助; 国家重点研发计划课题项目(2018YFB1404404)资助