![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
联邦学习
文章平均质量分 70
学渣渣渣渣渣
我是菜
深度学习方向,欢迎交流~
展开
-
联邦学习场景下各client数据分配法则
在联邦学习场景下,各方的数据理应不为同分布,即不满足iid,因此在模拟时不能随机进行数据分配,应该适当调整下发给各client的数据分布。本文借鉴论文:FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping 中的数据分配方法。在文中,q 决定 某一group所有clients 最大类出现的概率。唯一的缺点是 除了第 lll 类的数据,其他数据分布都等概率,实际运用中其实可以没有必要规定等概率,仅限定 第 lll 类数原创 2021-10-14 12:03:24 · 652 阅读 · 0 评论 -
文献阅读--Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design
本文讲述了在联邦学习中,如何确定上传异常梯度的 Unreliable Clients,并提出了DeepSA算法,用来屏蔽Unreliable Clients上传的本地模型参数。除此以外,本文还推算了在异常场景下中心模型损失函数收敛的上界,并得到了最佳本地训练epoch的数量。我们先来看一下存在 Unreliable Clients 的联邦学习场景:注:在本文的联邦学习框架中,各 client 在本地进行多轮epoch 的训练,再上传本地模型参数,而不是上传梯度。本文把 abnormal behavi原创 2021-09-26 20:52:36 · 17308 阅读 · 0 评论 -
【pytorch】FL联邦学习 数据集的划分+non-iid数据集的划分
torchvision.datasets里的数据集都是整一个的,尤其在联邦学习中,我们需要划分不同的数据集给不同的参与者,如何将torchvision中的数据集划分成为了联邦学习中的重大挑战。在联邦学习场景下,各方的数据理应不为同分布,即不满足iid,因此在模拟时不能随机进行数据分配,应该适当调整下发给各client的数据分布。类的数据,其他数据分布都等概率,实际运用中其实可以没有必要规定等概率,仅限定 第。随机分配样本,返回的是每个client的索引。类数据出现的概率就好了。唯一的缺点是 除了第。原创 2021-02-27 19:55:17 · 22162 阅读 · 11 评论