Login
Registrieren
Passwort zurücksetzen
Veröffentlichen & Verteilen
Verlagslösungen
Vertriebslösungen
Themen
Allgemein
Altertumswissenschaften
Architektur und Design
Bibliotheks- und Informationswissenschaft, Buchwissenschaft
Biologie
Chemie
Geowissenschaften
Geschichte
Industrielle Chemie
Informatik
Jüdische Studien
Kulturwissenschaften
Kunst
Linguistik und Semiotik
Literaturwissenschaft
Materialwissenschaft
Mathematik
Medizin
Musik
Pharmazie
Philosophie
Physik
Rechtswissenschaften
Sozialwissenschaften
Sport und Freizeit
Technik
Theologie und Religion
Wirtschaftswissenschaften
Veröffentlichungen
Zeitschriften
Bücher
Konferenzberichte
Verlage
Blog
Kontakt
Suche
EUR
USD
GBP
Deutsch
English
Deutsch
Polski
Español
Français
Italiano
Warenkorb
Home
Zeitschriften
Applied Mathematics and Nonlinear Sciences
Band 8 (2023): Heft 1 (January 2023)
Uneingeschränkter Zugang
Fed-UserPro: A user profile construction method based on federated learning
Yilin Fan
Yilin Fan
,
Zheng Huo
Zheng Huo
und
Yaxin Huang
Yaxin Huang
| 20. Mai 2022
Applied Mathematics and Nonlinear Sciences
Band 8 (2023): Heft 1 (January 2023)
Über diesen Artikel
Vorheriger Artikel
Nächster Artikel
Zusammenfassung
Figuren und Tabellen
Referenzen
Autoren
Artikel in dieser Ausgabe
Vorschau
PDF
Zitieren
Teilen
Online veröffentlicht:
20. Mai 2022
Seitenbereich:
2301 - 2314
Eingereicht:
14. Feb. 2022
Akzeptiert:
10. Apr. 2022
DOI:
https://doi.org/10.2478/amns.2021.2.00188
Schlüsselwörter
Federated Learning
,
Non-independent and identically distributed
,
Multi-classification
,
User profile
© 2023 Yilin Fan et al., published by Sciendo
This work is licensed under the Creative Commons Attribution 4.0 International License.
Fig. 1
Federated learning architecture
Fig. 2
LDA graphical model representation. LDA, latent Dirichlet allocation
Fig. 3
Experiment of changing the local epoch size of participants. (a) Accuracy (b) Macro-average
Fig. 4
Experiment of changing the batch size of the participants. (a) Accuracy (b) Macro-average
Fig. 5
Experiments to change the number of participants. (a) Accuracy (b) Macro-average
Fig. 6
Average variance between various parameters of participants in federated learning
Fig. 7
Running time experiment. (a) Change batch size (b) Change local epoch