基于Logistic最优化鲁棒性的聚类联邦学习
摘 要：
为了解决联邦学习中数据异构导致模型准确率下降的问题，提出了一种基于Logistic最优化鲁棒性的聚类联邦学习（Logistic＼|based More Robust Clustered Federated Learning，LMRCFL）方法，将具有相似数据分布的客户端分组到相同的集群中，不需要访问其私有数据，可为每个客户端集群训练模型；在目标函数中引入正则项更新本地损失函数，缓解Non＼|IID（非独立同分布）数据带来的客户端偏移问题，通过减小模型差异提升模型准确率。（剩余9603字）
