8、联邦学习算法与车联网框架研究

联邦学习算法与车联网框架研究

一、FedECCR算法分析

1. 模型精度与采样率关系
   当客户端数量为100时，FedECCR的模型精度略低于MOON，约降低0.23%。此时，FedECCR编码器特征分布的轮廓系数仅为0.047，而客户端数量为50时最高可达0.092。这是因为客户端数量为100时，采样率0.2显得较低，过低的采样率会降低编码器特征图的区分度，导致提高模型精度的效果下降。
2. 特征区分度验证
   • 特征分布对比 ：为验证原型对比训练能促进模型编码器学习高区分度的特征映射，对比了FedECCR、FedAvg、FedProx和MOON在EMNIST和CIFAR - 10数据集上的特征分布。结果显示，与其他算法相比，FedECCR的各个特征簇具有更高的内聚性和更远的簇间距离，特征分布具有更高的区分度。
   • 轮廓系数变化 ：计算了各算法在训练过程中特征分布轮廓系数的变化并绘制曲线。在EMNIST数据集上，FedECCR、FedProx、MOON和FedAvg的最终轮廓系数分别为0.3159、0.1638、0.1803和0.1633；在CIFAR - 10数据集上，分别为0.0809、0.0366、0.0343和0.0466。可见，在这两个数据集上，FedECCR训练后特征分布的轮廓系数最高，显著高于其他算法，表明其全局编码器的特征映射区分度更高。

算法