文摘[研究目的]解决多源数据融合过程中参与者贡献与收益的匹配问题、参与者选择缺乏灵活性以及联邦系统的动态适应性不足问题,提升多源数据融合的公平性和合理性。[研究方法]提出一种基于动态自适应联邦学习的多源数据融合框架(Federated Learning and Dynamic Improvement,FLDI),并设计预算分配机制、参与者选择机制以及参与者动态进出机制确保多源数据融合过程的安全、公平和可持续。分别在分类任务的专利、论文以及媒体数据集和预测任务的MNIST、FMNIST和CIFAR-10数据集上展开性能测试,并在不同场景中评估框架性能。[研究结果/结论]FLDI在面对复杂场景时,其准确率相较于FedAvg和FedProx提升了3%~4%;在干净数据集场景下,FLDI在分类任务的平均准确率达到67.01%,在预测任务的平均准确率达到81.56%;进行增强实验后,FLDI在分类任务的平均准确率上升了4.54%,在预测任务的平均准确率上升了3.31%;FLDI框架在分类任务和预测任务中较之FedAvg和FedProx更具性能优势。
