基于层析分析改进的联邦平均算法

• 作者: 罗长银 陈学斌 马春地 张淑芬
• 来源期刊: 计算机科学
• 关键词: 联邦平均(Fedavg) 熵权法 层析分析 权重更新
• 年，卷（期）: 2021,（8）
• 所属期刊栏目: 数据库&大数据&数据科学费|Database & Big Data & Data Science
• 页码范围: 32-40
• 页数: 9页
• 分类号: TP391
• 语种: 中文
• DOI: 10.11896/jsjkx.201000093

摘要

联邦平均(Fedavg)算法采用权重更新来更新全局模型,该算法在权重更新时仅考虑每个客户端数据量的大小,未考虑数据质量对模型的影响.针对该问题,文中提出了基于层次分析改进的联邦平均算法,首次从数据质量的角度来处理多源数据.首先采用熵权法计算数据中各属性的重要度,并将其作为层次分析中准则层的数值,计算每个客户端数据的质量,然后结合客户端数据量的大小,重新计算全局模型中的权重.仿真实验的结果表明,对于中小型数据集而言,使用支持向量机训练的模型准确度最高,达到了85.7152％;对于大型数据集而言,采用随机森林训练的模型准确率最高,达到了91.9321％.与传统联邦平均方法相比,所提方法在中小数据集上准确率提升了3.5％,在大数据集上提升了1.3％,能够在提升模型准确率的同时提高数据与模型的安全性.