乳腺癌数据集作业结果

本节实验包含了如下三个部分：（1）训练轮数对联邦学习模型分类性能的影响；（2）迭代次数对联邦学习模型分类性能的影响；（3）参与方数据量不同时，本地独立训练对比横向联邦的模型性能。

• 不同训练参数对模型准确率、训练时长的影响

  训练轮数对模型准确率的影响（迭代次数固定为20）

迭代轮数对模型准确率、训练时长的影响（训练轮数固定为10）

从上面两张表可以看出：

（1）训练轮数对于联邦学习模型的性能影响不大，这主要是由于乳腺癌数据集的分类相对简单，且数据集经过了扩充导致的；

（2）增大每个参与方本地模型训练的迭代次数，可以显著提升最终联邦学习模型的性能。

• 参与方数据量不同时，独立训练对比横向联邦训练的准确率

  本节实验不再将训练集均匀划分到两个参与方，而是以不同的比例进行划分，从而探究当参与方数据量不同时，模型性能的变化情况。具体划分如下所示。实验中训练轮数固定为10，迭代次数固定为50。

  参与方持有的样本数目信息

下图为当Host方拥有不同数据量时，使用横向联邦对比己方独立训练的性能对比。

图1 Host方拥有不同数据量时，横向联邦对比对立训练的模型性能

结论为：使用横向联邦学习，在己方拥有不同数据量的情况下都可以显著提升模型性能。