联邦学习场景下各client数据分配法则

在联邦学习场景下，各方的数据理应不为同分布，即不满足iid，因此在模拟时不能随机进行数据分配，应该适当调整下发给各client的数据分布。本文借鉴论文：FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping 中的数据分配方法。在文中，q 决定某一group所有clients 最大类出现的概率。唯一的缺点是除了第

学渣渣渣渣渣

839人浏览 · 2021-10-14 12:03:24

学渣渣渣渣渣 · 2021-10-14 12:03:24 发布

在联邦学习场景下，各方的数据理应不为同分布，即不满足iid，因此在模拟时不能随机进行数据分配，应该适当调整下发给各client的数据分布。

本文借鉴论文：FLTrust: Byzantine-robust Federated Learning via Trust Bootstrapping 中的数据分配方法。

在这里插入图片描述

在文中，q 决定某一group所有clients 最大类出现的概率。
唯一的缺点是除了第 $l$ 类的数据，其他数据分布都等概率，实际运用中其实可以没有必要规定等概率，仅限定第 $l$ 类数据出现的概率就好了。

魔乐社区

魔乐社区（Modelers.cn) 是一个中立、公益的人工智能社区，提供人工智能工具、模型、数据的托管、展示与应用协同服务，为人工智能开发及爱好者搭建开放的学习交流平台。社区通过理事会方式运作，由全产业链共同建设、共同运营、共同享有，推动国产AI生态繁荣发展。

更多推荐

【计算机视觉】Pixel逐像素分类&Mask掩码分类理解摘要

魔乐社区

计算机视觉（opencv）实战三十二——CascadeClassifier 人脸微笑检测（摄像头）

本文从原理到实现，详细介绍了基于 OpenCV Haar 分类器的人脸与微笑检测：讲解了 Haar 特征和级联检测原理。对代码逐行拆解并解释参数含义。画出完整流程图，帮助理解执行过程。给出了常见问题和优化建议，甚至扩展到深度学习方法。这种方法简单、轻量、实时性好，非常适合入门和小型应用项目。但如果需要更高准确率和更强鲁棒性，建议使用深度学习检测器替代 Haar 分类器。