多层级联邦学习中的编码空间属性
机器学习
2025-01-13 v1 分布式、并行与集群计算
摘要
本研究提出了一种编码空间多层级联邦学习方法，用于对地理空间数据的聚合模型进行全面评估。在客户端层级，引入空间信息编码以更好地预测目标结果。本研究旨在评估这些模型在不同数据集和空间属性上的性能，突出预测精度的变化。使用准确率等评估指标，我们的研究揭示了空间粒度的复杂性以及捕捉数据中潜在模式的挑战。我们通过引入多层级以及编码空间属性的功能，扩展了联邦学习的范围。我们的N层联邦学习方法使用编码空间数据在不同层级进行聚合。我们获得了多个模型，这些模型预测了不同粒度的空间数据。我们的发现强调了需要进一步研究以提高预测精度和模型泛化能力，潜在途径包括加入额外特征、改进模型架构以及探索替代建模方法。我们的实验包含多个代表不同空间方面层级的层级。我们获得了全局模型75.62%和89.52%的准确率，而无需使用指定层级构成的数据训练模型。该研究还强调了所提方法在实时应用中的重要性。
引用
@article{arxiv.2501.05934,
title = {Encoded Spatial Attribute in Multi-Tier Federated Learning},
author = {Asfia Kawnine and Francis Palma and Seyed Alireza Rahimi Azghadi and Hung Cao},
journal= {arXiv preprint arXiv:2501.05934},
year = {2025}
}
备注
IEEE ICCE 2025