“FL 流程始于與所有設備共享的全局模型。每臺設備在本地訓練模型，并將更新發(fā)送到中央服務器，在那里匯總以改進模型，”學者們說。“然后將這個更新的模型分發(fā)回設備進行進一步訓練。FL 循環(huán)迭代多次，直到全局模型達到所需的最佳精度。”
該團隊的模型在每臺機器上本地運行，包括一個長短期記憶 (LSTM) 架構、一個 dropout 單元和兩個完全連接的密集層。LSTM 處理順序數(shù)據(jù)，而 dropout 單元減少過度擬合，密集層有助于做出最終預測。
該模型還使用超參數(shù)來調整本地 LSTM 模型并在中央服務器上對類似客戶端進行聚類。這些超參數(shù)在訓練開始前設置，控制著機器學習模型的訓練過程。
