中央研究院智財技轉處對外服務網

本研究構建一項創新聯邦式學習演算法，透過參與者 模型權重界定子空間，進而縮小最佳參數搜尋範圍，有助降低聯邦式學習架構中參數傳遞頻率，增進資料隱密與安全保障，擴充訓練資料多樣性，充分善用分散式運算 資源，迅速達致模型收斂，有效提 升模型訓練效能。具 體成果彙整如 下：
1. 廣泛適用於各類神經網路模型及其他機器學習演算法。
2. 基於最佳化理論，透過嚴謹數學推演構建完整演算法。
3. 通過最小化模型參數通訊，強化參與者隱私與安全防護。
4. 優化 FedAvg 演算法，並有效降低系統運算成本。
5. 針對 FedAvg 演算法進行優化，提昇系統收斂速度。
6. 適用 所有 聯邦式學習演算法之場景，實現系統通訊成本最小化。
7. 鼓勵 並 評估參與者貢獻，提出 創新激勵機制與公平商業模式架構與分析。