PNCS：用于联邦学习中多样化客户端选择的功率-范数余弦相似度
机器学习
2025-06-23 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）已成为一种强大的范例，能够在保持数据隐私的同时利用来自多个来源的多样化数据集，避免集中存储。然而，许多现有方法未能考虑远程客户端之间复杂的梯度相关性，这在数据异构性场景中尤其 problematic。本工作提出了一种新型FL框架，利用功率-范数余弦相似度（PNCS）来提高客户端选择以用于模型聚合。通过捕获更高阶梯度矩，PNCS 解决了 non-IID 数据挑战，增强了收敛速度和准确性。此外，我们引入了一个简单算法，通过选择历史队列确保客户端选择的多样性。在 VGG16 模型上进行的各种数据分区实验表明，我们的方法在收敛速度和准确率方面 consistently 优于最先进的方法。
关键词
引用
@article{arxiv.2506.15923,
title = {PNCS:Power-Norm Cosine Similarity for Diverse Client Selection in Federated Learning},
author = {Liangyan Li and Yangyi Liu and Yimo Ning and Stefano Rini and Jun Chen},
journal= {arXiv preprint arXiv:2506.15923},
year = {2025}
}