基于改进NSGA-Ⅲ的多目标联邦学习进化算法

作     者：钟佳淋 吴亚辉 邓苏 周浩浩 马武彬 ZHONG Jialin;WU Yahui;DENG Su;ZHOU Haohao;MA Wubin

作者机构：国防科技大学信息系统工程重点实验室长沙410073 

出 版 物：《计算机科学》 (Computer Science)

年 卷 期：2023年第50卷第4期

页      面：333-342页

学科分类：08[工学] 081202[工学-计算机软件与理论] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金面上项目(61871388) 

主　　题：联邦学习 多目标均衡 NSGA-Ⅲ算法 多目标进化 参数优化 

摘      要：联邦学习技术能在一定程度上解决数据孤岛和隐私泄露的问题,但存在通信成本高、通信不稳定、参与者性能分布不均衡等缺点。为了改进这些缺点并实现模型有效性、公平性和通信成本的均衡,提出了一种面向联邦学习多目标优化的改进NSGA-Ⅲ算法。首先构建联邦学习多目标优化模型,以最大化全局模型准确率、最小化全局模型准确率分布方差和通信成本为目标,提出了基于快速贪婪初始化的改进NSGA-Ⅲ算法,提高了NSGA-Ⅲ对于联邦学习多目标优化的效率。实验结果表明,相比经典多目标进化算法,提出的优化方法能得到较优Pareto解;与标准的联邦模型相比,优化的模型能在保证全局模型准确率的情况下,有效降低通信成本和全局模型准确率分布方差。