系统异构性和统计异构性的存在使得通信开销和通信效率成为联邦学习的关键瓶颈之一,在众多参与方中只选取一部分客户端执行模型更新和聚合可以有效降低通信开销,但是选择偏差和客户端上的数据质量分布不平衡对客户端采样方法提出了额外的挑战。为此,提出数据质量评估的高效强化联邦学习节点动态采样优化方法(client dynamic sampling optimization of efficient reinforcement federated learning based on data quality assessment,RQCS),该方法采用沙普利值的贡献指数评估客户端上的数据质量,基于深度强化学习模型,智能的动态选择具有高数据质量且能提高最终模型精度的客户端参与每一轮的联邦学习,以抵消数据质量分布不平衡引入的偏差,加速模型收敛并提高模型精度。在MNIST及CIFAR-10数据集上的实验表明,所提出算法与其他算法相比,在减少通信开销的同时进一步加快了收敛速度,同时在模型最终准确性上也有较好的性能。
在大数据时代,通过论文、专利等数据挖掘出科研学者的兴趣能对学者画像构建、学者交流合作和科研成果分析产生重要作用,然而目前针对科研学者兴趣挖掘的研究工作相对较少,还有很多亟需解决的问题。提出了一种基于负载中心性的科研学者兴趣挖掘算法(load centrality based interest mining algorithm for research scholars,LCBIM),该算法能够针对科研学者论文和专利数据,准确提取科研学者兴趣领域的关键词,利用图聚合的思想来聚合邻域的特征空间以产生高质量的图节点,同时根据语义分析针对相似词或冗余信息进行顶点聚合来简化图结构,然后利用负载中心性原理计算图中节点的权重,分析得出科研学习的兴趣领域。该算法能够在拥有丰富语义信息的论文和专利中挖掘出学者的兴趣点。实验结果表明,提出的基于负载中心性的科研学者兴趣挖掘算法能够在论文和专利语料中快速有效地提取出科研学者的兴趣。
暂无评论