IOFL: Intelligent-Optimization-Based Federated Learning for Non-IID Data

MNIST数据库 计算机科学 独立同分布随机变量 联合学习 数据建模 最优化问题 数据挖掘 优化算法 机器学习 人工智能 深度学习 数据库 算法 数学优化 随机变量 统计 数学
作者
Xinyan Li,Huimin Zhao,Wu Deng
出处
期刊:IEEE Internet of Things Journal [Institute of Electrical and Electronics Engineers]
卷期号:11 (9): 16693-16699 被引量:10
标识
DOI:10.1109/jiot.2024.3354942
摘要

Federated learning (FL) algorithm has been widely studied in recent years due to its ability for sharing data while protecting privacy. However, FL has risks such as model inversion attack, and is less effective when data is non-independent and identically distributed (non-IID). In response to these challenges, an intelligent optimization-based federated learning (IOFL) framework is developed to improve the privacy protection performance and global model performance in this paper. In the IOFL, the server searches model parameters by using intelligent optimization algorithm and distributes it to the clients. The clients use local data to validate the issued model by the server and return the validation results to the server. The server calculates the fitness function based on the weighted average of the received validation results, which guide the intelligent optimization algorithm to search for new model parameters. The experimental results on MNIST and Fashion-MNIST dataset show that the accuracy of the IOFL can reach over 0.8 and 0.68 under different non-IID settings with 200 round communications, whose performance is not affected by non-IID data distribution at clients.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
大幅提高文件上传限制,最高150M (2024-4-1)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
丘比特应助kong采纳,获得10
2秒前
大模型应助soul采纳,获得10
2秒前
大头完成签到 ,获得积分10
3秒前
Nekozzzz发布了新的文献求助10
4秒前
沉思、发布了新的文献求助10
5秒前
6秒前
8秒前
完美世界应助HeyHsc采纳,获得10
8秒前
9秒前
丘比特应助加菲丰丰采纳,获得10
9秒前
愉快的千万完成签到,获得积分10
9秒前
12秒前
12秒前
13秒前
LUCKY完成签到,获得积分20
14秒前
14秒前
阳光人生发布了新的文献求助30
15秒前
曾开心完成签到 ,获得积分10
15秒前
LUCKY发布了新的文献求助10
16秒前
陳新儒应助疏曲采纳,获得30
18秒前
smalls川发布了新的文献求助10
18秒前
20秒前
唐浩完成签到,获得积分10
20秒前
21秒前
21秒前
21秒前
22秒前
炎炎夏无声完成签到 ,获得积分10
24秒前
Nekozzzz发布了新的文献求助10
25秒前
25秒前
26秒前
缓慢珠发布了新的文献求助10
26秒前
大个应助高高诗柳采纳,获得10
26秒前
炸酱面完成签到,获得积分10
27秒前
坦率小天鹅给坦率小天鹅的求助进行了留言
28秒前
lalala发布了新的文献求助10
28秒前
天真的邴发布了新的文献求助10
28秒前
炸酱面发布了新的文献求助10
30秒前
大模型应助缓慢珠采纳,获得10
31秒前
高分求助中
Evolution 10000
Sustainability in Tides Chemistry 2800
The Young builders of New china : the visit of the delegation of the WFDY to the Chinese People's Republic 1000
юрские динозавры восточного забайкалья 800
Diagnostic immunohistochemistry : theranostic and genomic applications 6th Edition 500
Chen Hansheng: China’s Last Romantic Revolutionary 500
China's Relations With Japan 1945-83: The Role of Liao Chengzhi 400
热门求助领域 (近24小时)
化学 医学 生物 材料科学 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 基因 遗传学 催化作用 物理化学 免疫学 量子力学 细胞生物学
热门帖子
关注 科研通微信公众号,转发送积分 3149155
求助须知:如何正确求助?哪些是违规求助? 2800230
关于积分的说明 7839164
捐赠科研通 2457781
什么是DOI,文献DOI怎么找? 1308112
科研通“疑难数据库(出版商)”最低求助积分说明 628408
版权声明 601706