一个新的集群联合学习算法用于高精度无线传感中的异质数据
1School of Electronic Information and Communications, Huazhong University of Science and Technology, Wuhan, China.
Frontiers in artificial intelligence
|February 20, 2026
概括
本研究介绍了一种使用Kullback-Leibler (KL) 分歧的新型集群算法,用于在无线传感中使用异质数据进行联合学习. 该方法通过有效地集群客户端和个性化模型来提高识别准确性.
科学领域:
- 计算机科学 计算机科学
- 机器学习 机器学习
- 无线通信无线通信
背景情况:
- 联合学习 (FL) 面临着无线传感中异质数据的挑战.
- 现有的FL算法很难有效地处理跨设备的数据变化.
研究的目的:
- 为无线传感环境开发基于集群的联合学习算法.
- 使用Kullback-Leibler (KL) 分歧来解决数据异质性,以提高模型个性化和准确性.
主要方法:
- 应用主要组件分析 (PCA) 用于高维异质数据的维度缩小.
- 为集群计算客户之间的KL差距距,并将汇总客户的平均距离纳入其中.
- 在集群中进行联合学习,以使用无线数据集生成个性化模型.
主要成果:
- 进行了代重组和模型更新,以优化集群数量和识别精度.
- 拟议的KL基于分歧的算法与现有方法相比,显示出更高的识别准确性.
- 在确定集群中的客户成功获得了个性化的模型.
结论:
- 基于集群的联合学习方法有效地处理无线传感中的异质数据.
- KL分歧是联合学习中客户端集群的一个可行的指标,从而提高了性能.
- 拟议的算法为改善分布式学习环境中的个性化模型准确性提供了一个有希望的解决方案.
