基于聚類的個(gè)性化聯(lián)邦學(xué)習(xí)魯棒性研究

打開文本圖片集

摘  要：個(gè)性化聯(lián)邦學(xué)習(xí)（Personalized Federated Learning，PFL）允許每個(gè)客戶端根據(jù)本地?cái)?shù)據(jù)特性定制個(gè)性化模型，從而提高子模型對(duì)本地?cái)?shù)據(jù)的適應(yīng)性和預(yù)測精度。該研究探討PFL在抵御數(shù)據(jù)攻擊方面的潛力，并結(jié)合聚類算法和聯(lián)邦學(xué)習(xí)算法的方法，提高模型的準(zhǔn)確率和對(duì)投毒數(shù)據(jù)檢測的魯棒性。（剩余7636字）