基于AP聚类算法的联邦学习聚合算法

在传统的联邦学习中，多个客户端的本地模型由其隐私数据独立训练，中心服务器通过聚合本地模型生成共享的全局模型。然而，由于非独立同分布（Non-IID）数据等统计异质性，一个全局模型往往无法适应每个客户端。为了解决这个问题，本文提出一种针对Non-IID数据的基于AP聚类算法的联邦学习聚合算法（APFL）。在APFL中，服务器会根据客户端的数据特征，计算出每个客户端之间的相似度矩阵，再利用AP聚类算法对客户端划分不同的集群，构建多中心框架，为每个客户端计算出适合的个性化模型权重。将本文算法在FMINST数据集和CIFAR10数据集上进行实验，与传统联邦学习FedAvg相比，APFL在FMNIST数据集上提升了1.88个百分点，在CIFAR10数据集上提升了6.08个百分点。实验结果表明，本文所提出的APFL在Non-IID数据上可以提高联邦学习的精度性能。