递归模糊聚类算法

非IID数据训练更优

一种采用递归模糊聚类进行迭代划分的联邦学习算法，在非IID数据上显著优于现有方法。

Yuxiao, Deng · Anqi, Wang · 张蕾 · Ying, Lei · 李贝贝 · 李益洲

Future Generation Computer Systems 2024

参数信息

性能提升（轻度非 IID）

3 %

性能提升（中度非 IID）

5 %

性能提升（极端非 IID）

10 %

技术优势

非 IID 也能训好

递归模糊聚类允许客户端属于多个群体，充分利用数据间的相似性，缓解统计异质性带来的性能下降。

极端非 IID 提升超 10%

实验表明，在极端非 IID 数据集上，FedRFC 相比所有基线方法提升超过 10%，显著优于现有方案。

应用场景

• 隐私保护机器学习：在不共享原始数据的情况下协作训练，提升隐私保护场景下的模型准确率。
• 边缘智能：适用于边缘设备数据异构的环境，提升本地模型的泛化能力和训练效率。
• 分布式模型训练：通过聚类优化客户端协作，在分布式训练中缓解非 IID 带来的性能损失。