1.基于预测精度的跨域异质联邦学习架构运行效率评测方法,其特征在于,包括以下步骤:步骤1:建立跨域异质;
步骤2:准备跨域异质联邦数据集,划分数据集来生成联邦学习中的Non‑IID数据,并选择基本测试模型;
步骤3:设定联邦学习方法;
步骤4:重复运行步骤3固定轮次后,统计多个基本测试模型的全局权重在测试数据集上的性能评测指标,加权后作为不同跨域异质联邦学习架构运行效率的评价指标。
2.根据权利要求1所述的基于预测精度的跨域异质联邦学习架构运行效率评测方法,其特征在于:所述跨域异质包括数据跨域和客户端异质,所述数据跨域包括各个客户端设备中本地数据;所述客户端异质包括联邦学习环境中的客户端通常是来自现实世界的终端设备。
3.根据权利要求1所述的基于预测精度的跨域异质联邦学习架构运行效率评测方法,其特征在于:所述步骤2中准备跨域异质联邦数据集,划分数据集来生成联邦学习中的Non‑IID数据,并选择基本测试模型,包括以下步骤:步骤2‑1,采用跨域数据集Office‑Home数据集作为评测数据集,将office‑Home数据集中的每个标签根据狄利克雷分布给每个客户端分配一定比例的该标签样本,生成联邦学习中的Non‑IID数据并发送给N个客户端;
步骤2‑2,选取待测试模型,包括MobileNet、AlexNet、ResNet、VGG。
4.根据权利要求1所述的基于预测精度的跨域异质联邦学习架构运行效率评测方法,其特征在于:所述步骤3中设定联邦学习方法,包括以下步骤:步骤3‑1,用户选择;
步骤3‑2,全局权重广播;
步骤3‑3,本地训练;
步骤3‑4,梯度聚合;
步骤3‑5,全局权重更新。
5.根据权利要求1所述的基于预测精度的跨域异质联邦学习架构运行效率评测方法,其特征在于:所述步骤4中重复运行步骤3M轮次后,统计测试模型的全局权重在测试数据集上的指标,作为跨域异质联邦学习的通信效率的评价指标,包括以下步骤:步骤4‑1,在测试数据集上测试测试模型的性能;
步骤4‑2,计算M轮训练后,测试模型的得分;
步骤4‑3,设定M的取值,根据M的取值和测试模型的得分绘制打分表。