![](https://csdnimg.cn/release/download_crawler_static/89346762/bg1.jpg)
2022 届本科毕业设计《基于社区检测的多任务聚类联邦学习》。本研究提出了
一种多任务聚类联邦学习(clustered federated learning, CFL)的新方法,该方
法的特点是基于社区检测(community detection)来进行聚类簇的动态划
分。本研究的方法规避了聚类簇由人工指定的弊端,从而在算法后期对前期错
误划分进行动态修正,缓解了因前期划分失误带来的负面影响。
在三个不同数据集上进行的实验表明,相比本文对比的其它几个联邦学习方
法,本文提出的基于动态划分的多任务聚类联邦学习方法在大多数情况下表现
更好。在大多数情况下,本文所提出的算法划分更加准确,达到的准确率更
高,收敛速度更快。其中于本文的算法具有动态调整聚簇的特性,所以即使在
最初的几轮迭代中划分错误,也能在后面的迭代中对错误的聚簇划分进行调
整,从而取得更佳的精度表现。
2 算法流程描述
2.1 算法整体流程
整体算法流程分为构建带权无向图、任务簇动态划分、任务簇参数更新三个部
分,如下图所示: