一次性联邦学习

Feb, 2019

One-Shot Federated Learning

Neel Guha, Ameet Talwlkar, Virginia Smith

TL;DR本文介绍了一种单次联邦学习方法，通过使用集成学习和知识聚合，使得中央服务器可以在单次通信中学习联合设备网络上的全局模型，在AUC方面相对于本地基线获得了51.5%左右的平均相对收益，并且达到了全局理想状态的90.1%左右。最后，我们讨论了这些方法并识别了一些有希望的未来工作方向。

Abstract

We present one-shot federated learning, where a central server learns a global model over a network of federated devices in a single round of communication. Our approach - drawing on ensemble learning and