自适应聚合联邦网络
遗忘率降3.91%
用模型一致性动态调整聚合权重,引导全局模型向最优方向更新,从而在非独立同分布数据上克服灾难性遗忘。
Benteng, Zhang · 毛莺池 · Haowen, Xu · Yihan, Chen · Muazu, Tasiu · He, Xiaoming · Wu, Jie
IEEE Internet of Things Journal 2025
参数信息
- 全局模型准确率提升
- 1.86 %
- 遗忘率降低
- 3.91 %
- 平均内存节省
- 2.57 GB
技术优势
遗忘率降低3.91%
通过整合与最新全局模型最相关的M个历史全局模型,克服灾难性遗忘,平均降低遗忘率3.91%。
全局模型准确率提升1.86%
通过动态调整每个本地模型的聚合权重,引导全局模型向最优方向更新,在非独立同分布设置下平均提升准确率1.86%。
节省内存最多2.57GB
与基线方法相比,FedAWAC平均节省内存使用量高达2.57GB,减轻设备存储压力。
应用场景
- 联邦学习模型优化:直接集成到现有联邦学习框架,无需改动设备端数据流,即插即用地优化非IID场景下的模型精度与抗遗忘能力。
- 工业物联网数据分析:在工业物联网设备存储受限、数据持续覆盖的条件下,保持全局模型对历史数据分布的记忆,稳定分析性能。
- 边缘设备智能:降低边缘设备参与联邦训练时的内存占用和通信开销,使智能终端在资源紧张下仍能协同学习。
- 机器人分布式学习:让机器人集群在各自环境数据非独立同分布时,持续从群体经验中受益而不遗忘早期技能。
相关科技单元