基于联邦学习的多源异构数据融合算法 Multi-Source Heterogeneous Data Fusion Based on Federated Learning

本文链接：https://blog.csdn.net/daisyxyr/article/details/124356475

随着边缘设备数据量的爆发式增长，传统的集中式处理模式面临挑战。本文提出了一种基于联邦学习的多源异构数据融合算法，利用Tucker分解理论，构建高阶张量以融合不同设备的异构数据，有效解决数据隐私导致的通信壁垒问题。实验在MOSI数据集上验证了算法的可行性。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

5.基于联邦学习的多源异构数据融合算法
Multi-Source Heterogeneous Data Fusion Based on Federated Learning

摘要：随着科技的迅猛发展，具有计算和存储能力的边缘设备数量不断增加，产生的数据流量更是呈指数式增长，这使得以云计算为核心的集中式处理模式难以高效处理边缘设备产生的数据.另外，由于边缘网络设备的多样性以及数据表示手段的不断丰富，多模态数据广泛存在.为充分利用边缘设备上的异构数据，解决边缘计算中由于数据隐私引起的“数据通信壁垒”问题，提出了一种联邦学习中基于Tucker分解的多源异构数据融合算法.该算法针对异构数据在无交互条件下的融合问题，引入张量Tucker分解理论，通过构建一个具有异构空间维度特性的高阶张量以捕捉异构数据的高维特征，从而实现联邦学习中多源异构数据的融合.最后，在MOSI数据集上验证了算法的有效性.

关键词: 边缘计算, 联邦学习, 深度学习, 张量理论, 异构数据融合

Abstract：With the rapid development of technology, the number of network edge devices with the capability of computation and memory is increasing, and the volume of the generated data is growing exponentially, which makes it difficult for a centralized processing model with cloud computing as the core to efficiently process data generated by edge devices. Not only will the network delay increase, but the data is likely to be leaked on the upload link, and data se