基于改进NSGA-Ⅲ的多目标联邦学习进化算法

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.