Astraea：针对移动端深度学习应用分类精度的自平衡联邦学习

Jul, 2019

Astraea：针对移动端深度学习应用分类精度的自平衡联邦学习

Astraea: Self-balancing Federated Learning for Improving Classification Accuracy of Mobile Deep Learning Applications

Moming Duan, Duo Liu, Xianzhang Chen, Yujuan Tan, Jinting Ren...

TL;DR介绍一种名为 Astraea 的自平衡联邦学习框架，它通过全局数据分布的数据增强和基于 KLD 的中介调度来缓解不平衡问题，相比于现有算法 FedAvg，在不平衡的 EMNIST 和 CINIC-10 数据集上分别提高了 5.59% 和 5.89% 的 top-1 准确率，且通信流量可以降低 82%。

Abstract

federated learning (FL) is a distributed deep learning method which enables multiple participants, such as mobile phones and IoT devices, to contribute a neural network model while their private training data rem

federated learning distributed deep learning imbalanced data astraea data augmentation

发现论文，激发创造

LEO 卫星星座中的地面辅助联邦学习

本文提出了基于联邦学习（FL）的新算法，包括一种基于 FedAvg 的新型异步 FL 过程，对 MNIST 和 CIFAR-10 数据集进行的广泛数字评估表明，该方法具有快速收敛速度和优异的渐进测试准确性，可用于解决卫星成像的推理等问题。

Sep, 2021

加速半异步联邦学习

传统的联邦学习方法由于数据上传同步方式导致速度慢且不可靠，本论文提出了一种考虑不同更新贡献、适应数据延迟与异质性的异步联邦学习方法，有效提升了收敛速度。

Feb, 2024

具有类别不平衡减少的联邦学习

用于解决联邦学习中数据隐私问题导致的设备端数据无法被中心服务器使用的问题，本文提出了一种基于估计方案的设备选择算法，以最小化类别不平衡来提高联邦学习全局模型的收敛性能。

Nov, 2020

异构和相关客户端的联邦学习

本文提出了第一个针对不同客户的异构和相关可用性的 FedAvg 类 FL 算法的收敛分析，发现相关性如何不利地影响算法的收敛速率，并且介绍了一种新的算法 CA-Fed，在最大化收敛速度和最小化模型偏差之间寻求平衡，同时忽略了可用性低和相关性大的客户。实验结果表明，CA-Fed 在合成数据集和实际数据集上比 AdaFed 和 F3AST 等现有算法具有更高的时间平均准确性和更低的标准差。

Jan, 2023

自适应自蒸馏下的异构数据联邦学习

提出了一种新的自适应自蒸馏（ASD）正则化技术，针对联邦学习（FL）中不同客户端观察到的本地数据分布的异质性问题，在客户端上进行训练模型并适应性地调整以接近全局模型，此技术可用于现有的状态 - of-the-art FL 算法中，显著提高算法的性能。

May, 2023

无政府联邦学习

本文提出了一种新的联邦学习模型 ——“Anarchic Federated Learning”，其中探索了参与联邦学习的工作者的自由度与收敛速度的平衡，并提出了两种算法，验证在现实数据集下的有效性以及成果。

Aug, 2021

异步多服务器联邦学习用于地理分布式客户端

提出了一种全新的异步架构的多服务器联邦学习系统，解决了同步通信导致的服务器空闲时间和单服务器成为瓶颈的问题，与之前的基线方法相比，收敛速度更快且在地理分布环境中所需时间减少了 61%。

Jun, 2024

拜占庭稳健的分散式联邦学习

我们提出了一种名为 BALANCE 的新算法，通过本地相似性在去中心化中进行拜占庭 - 鲁棒的均值计算，以抵御毒化攻击，并在强凸和非凸设置中建立了 BALANCE 在毒化攻击下的理论收敛保证，大量实验证明 BALANCE 优于现有的分布式联邦学习方法并有效地抵御毒化攻击。

Jun, 2024

面向医学图像分类的不均衡和聚合数据分布联邦学习

采用新的真实数据分布，提出一种名为 FedIIC 的隐私保护框架，该框架通过类内对比学习和共享全局样本的类间对比学习进行特征提取器的校准来缓解训练造成的偏差，并使用考虑难度的逻辑调整构造 softmax 交叉熵损失以确保所有类别的平衡决策边界。在公共可用数据集上的实验表明，FedIIC 在处理两种耦合问题的同时，具有更优越的性能。

Jun, 2022

一种高效的平衡感知联邦学习方法用于可穿戴医疗设备的自回归比例观察

提出了一个新的联邦学习框架 FedImT，专门解决联邦学习场景中的类别不平衡问题。FedImT 包含一个在线方案，可以在每轮聚合期间估计数据组成，并引入一种自衰减迭代等价物来跟踪多个估计值的变化，并及时调整损失计算的平衡，以解决少数类别的问题。实验证明了 FedImT 在解决不平衡问题上的有效性，同时没有额外的能源消耗和隐私风险。

Oct, 2023