基于个性化联邦学习的卷烟设备效能预测方法

摘要

在解决卷烟厂设备效能分析中，因数据隐私限制而难以汇集多方数据，以及传统联邦学习在数据异构场景下个性化性能不足的问题.为此，提出了一种新型联邦学习方案，该方法融合了两项核心技术：首先，采用多中心全局聚类策略，将具有相同预测任务的客户端分组并进行组内聚合，以应对数据的非独立同分布特性；其次，在客户端引入注意力凝练网络，动态筛选与适配服务器下发的全局模型参数，从而生成更符合本地数据分布的个性化模型.在真实卷烟厂工业生产数据上的实验结果表明，本方案取得了卓越的性能，其均方误差与平均绝对误差分别达到0.198 5和0.192 4,为同类方法中的最优水平.结论表明，该方案有效地平衡了多方协作的全局效率与客户端的个性化需求，为工业场景下数据隐私与模型精准性兼顾的效能分析提供了可靠途径.

关键词

联邦学习 / 设备效能预测 / 时序预测 / 个性化联邦学习 / 深度学习