基于自适应 OPTICS 聚类的强化联邦学习方法
机器学习
2023-06-26 v2
摘要
联邦学习是一种分布式机器学习技术，实现了数据隐私保护与数据共享计算之间的平衡。为保护数据隐私，联邦学习通过在参与设备上本地执行分布式训练并将局部模型聚合为全局模型来学习共享模型。联邦学习中存在一个问题，即不同用户终端之间数据的非独立同分布所带来的负面影响。为缓解该问题，本文提出一种基于自适应 OPTICS 聚类的强化联邦聚合方法。具体而言，该方法将聚类环境感知为马尔可夫决策过程，并对参数搜索方向的调整过程进行建模，从而寻找最佳聚类参数以实现最优的联邦聚合方法。本文的核心贡献是提出一种面向联邦学习的自适应 OPTICS 聚类算法。该算法结合了 OPTICS 聚类与自适应学习技术，能够有效处理不同用户终端间数据的非独立同分布问题。通过将聚类环境感知为马尔可夫决策过程，目标是在无人工辅助的情况下找到 OPTICS 聚类的最佳参数，从而获得最优的联邦聚合方法并取得更好的性能。该方法在实验数据上的可靠性与实用性已得到验证，并证明了其有效性与优越性。
引用
@article{arxiv.2306.12859,
title = {Reinforcement Federated Learning Method Based on Adaptive OPTICS Clustering},
author = {Tianyu Zhao and Junping Du and Yingxia Shao and Zeli Guan},
journal= {arXiv preprint arXiv:2306.12859},
year = {2023}
}
备注
There is a declarative error in the method part, we want to withdraw the revision first, so as not to mislead others