基于联邦学习的代价敏感卷积神经网络分类方法

摘要

为解决传统分布式学习方法在训练分类模型时面临的数据隐私泄露和类不平衡问题，提出了一种基于联邦学习的代价敏感卷积神经网络分类方法(Fed-CoSen)。该方法基于联邦学习框架，通过量化客户端数据的不平衡度，采用加权联邦平均策略进行全局模型训练，确保客户端数据的隐私性以及全局模型聚合过程的公平性；结合自适应平衡交叉熵损失函数和代价敏感卷积神经网络，优化客户端局部模型的分类性能。结果表明：在CIFAR-10数据集上模拟的2种联邦学习类不平衡场景、COVID-19数据集上模拟的医疗类不平衡场景中，与对比试验中的最佳方法Fed-Focal相比，Fed-CoSen在精确度上平均提升了1.84%,在召回率上平均提升了1.88%,在F1分数上平均提升了1.87%;充分验证了该方法在保护数据隐私的前提下，处理类不平衡数据分类任务中的有效性和适用性。

关键词

联邦学习 / 类不平衡 / 加权聚合 / 深度学习 / 分类