5、联邦学习网络性能研究

联邦学习网络性能研究

1. 联邦学习概述

联邦学习是一种去中心化的机器学习框架，在这个框架中，边缘节点会训练各自的本地模型，然后将更新后的权重发送给服务器。服务器把收到的各种本地更新权重进行整合，再将聚合后的模型发回边缘节点进行进一步训练，这个过程会一直持续，直到达到收敛状态。

1.1 联邦学习的优势

• 数据隐私保护 ：数据存放在本地边缘设备，服务器不会看到原始数据集，避免了数据泄露风险，尤其适用于医院等对数据隐私要求高的场景。例如，多家医院可以在不共享患者记录等训练数据的情况下，协作开发机器学习模型。
• 降低通信成本 ：网络中只传输更新后的权重，而非原始数据集，减少了数据传输量，从而降低了通信成本。

1.2 相关研究进展

研究内容	研究成果
网络流量联邦学习极限学习机模型分析本地网络流量数据	比基准模型有更高的准确性
随机模型、优化模型和微分方程对联邦学习网络进行优化建模	随机模型解决不确定性和可变性数据问题，确定性模型解决收敛和稳定性挑战
基于联邦学习和Wasserstein生成对抗网络的内容流行度预测隐私保护方案	提高缓存命中率，解