基于共享數(shù)據(jù)集和梯度補償?shù)姆謱勇?lián)邦學習框架

摘要： 聯(lián)邦學習允許車輛在本地保留數(shù)據(jù)并進行模型訓練,從而更好地保護用戶隱私,但車載傳感器和行駛路線等條件不同,參與聯(lián)邦學習的車輛可能具有不同數(shù)據(jù)分布,從而降低模型泛化能力,增大收斂難度。為了確保實時性,車聯(lián)網(wǎng)中廣泛應(yīng)用了異步隨機梯度下降技術(shù),但梯度延遲問題會導致模型訓練不準確。為了解決上述問題,文章提出一種基于共享數(shù)據(jù)集和梯度補償?shù)姆謱勇?lián)邦學習框架。該框架使用共享數(shù)據(jù)集和基于Re L...