基于联邦学习的多源异构数据融合算法

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

在信息化时代，海量的边缘数据将给以云计算模型为核心的数据集中化处理模式带来许多问题，一是将数据全部上传至云端的处理方式，不仅效率低下，而且造成额外的带宽开销，同时网络延迟也会增加.二是由于用户隐私意识的提高，边缘设备的数据很有可能在上传链路时泄密，个人隐私的安全问题无法得到保障.而分布式数据处理模式可