目前混合联邦学习算法未能有效利用共享数据，未能缓解联邦学习中数据异构、设备异构带来的挑战。因此，考虑更有效的共享数据与本地数据协统方案，FedAux借助迁移学习的思想与深度学习浅层、深层理论，将共享数据训练为辅助模型，并将辅助模型的通用知识赋予设备模型，加速传统联邦学习进程，增加全局模型准确率
该预测器基于Python3.6+环境下的tensorflow及keras开发，参与训练设备数，参与训练设备比例，算法对指定数量设备进行联邦学习过程，迭代更新全局模型与设备本地模型。特别注明，在代码的实现过程中，预测器参考了Hybrid-FL protocol、深度神经网络的特征迁移理论等第三方开源资源。
算法名称
| FedAux
|
算法接口
| python fedaux.py --clients --fraction
|
输入
| FedAux算法，参与训练设备数，参与训练设备比例
|
输出
| 全局模型、每个智能体本地模型
|
依赖库
| Python 3.6+、tensorflow、numpy、keras
|
参考资源
| Hybrid-FL protocol、深度神经网络的特征迁移理论
|
gitlab链接：Hybrid-FL · GitLab (crowdhmt.com)
