ASCFL：精确快速的半监督聚类联合学习

非独立身份分布（non-IID）数据对联合学习（FL）的影响一直是一个严重的问题。集群联合学习（CFL）是一种新兴的减少非IID数据影响的方法，它利用相关度量计算的客户端相似性进行集群。遗憾的是，现有的CFL方法只追求单一的精度提高，而忽略了收敛速度。此外，所设计的客户端选择策略会影响聚类结果。最后，传统的半监督学习改变了客户端上的数据分布，导致更高的本地成本和不理想的性能。在本文中，我们提出了一种新的CFL方法ASCFL，该方法选择客户端参与训练，并可以动态调整由标记和未标记数据组成的数据集的准确性和收敛速度之间的平衡。为了处理未标记的数据，预测标签策略通过编码器预测标签。客户选择策略是通过选择参与本轮的损失较大的客户来提高准确性并减少开销。此外，基于相似性的聚类策略使用一个新的指标来衡量客户端之间的相似性。实验结果表明，ASCFL在模型精度和收敛速度方面比三种最先进的方法和两个流行的数据集具有一定的优势。