一種面向云邊端系統(tǒng)的分層異構(gòu)聯(lián)邦學(xué)習(xí)方法

摘要： 聯(lián)邦學(xué)習(xí)(federated learning)通過用上傳模型參數(shù)的方式取代了數(shù)據(jù)傳輸，降低了隱私泄露的風(fēng)險.然而，將聯(lián)邦學(xué)習(xí)應(yīng)用到云邊端框架下時，一方面，由于云邊端存在邊緣和終端兩層分布式框架，對傳統(tǒng)的單層聯(lián)邦學(xué)習(xí)提出挑戰(zhàn)；另一方面，終端節(jié)點因資源異構(gòu)難以訓(xùn)練相同復(fù)雜度的模型，無法滿足聯(lián)邦學(xué)習(xí)客戶端統(tǒng)一模型的假設(shè).針對上述第1個問題，從傳統(tǒng)的單層聯(lián)邦學(xué)習(xí)方法出發(fā)，設(shè)計了面向云...