Sep, 2021

FedProc：基于原型构造对比的非独立同分布联邦学习

PDF
TL;DR该研究提出了 FedProc，即原型对比联邦学习，一种简单有效的联邦学习框架，通过利用原型作为全局知识来纠正每个客户的本地训练，使用本地网络架构和全局对比损失来规范本地模型的训练，从而最终获得在非 I.I.D 数据上良好的性能。
federated learningdeep learning modelsnon-iidprototypical contrastive federated learninglocal network architecture
发现论文，激发创造
  • MP-FedCL：面向边缘智能的多原型联合对比学习

    本文提出了一种使用多原型策略的联邦对比学习方法 (MP-FedCL)，旨在增强分散式智能服务中的隐私保护功能，并在标签和特征分布不独立且倾斜的情况下，证明了多原型策略的有效性，并在 MNIST，Digit-5，Office-10 和 DomainNet 等多个数据集上显示出优异的性能.

    Apr, 2023

  • 非独立同分布数据上的联邦学习：调查

    本文讨论了联邦学习的隐私保护机制，分析了非独立同分布数据对水平和垂直联邦学习中参数和非参数机器学习模型的影响，概括了当前解决非独立同分布数据挑战的方法，并讨论了这些方法的优缺点。最后，提出了研究方向。

    Jun, 2021

  • FedProto: 跨异构客户端的联邦原型学习

    该论文提出了一种新的联邦原型学习 (FedProto) 框架，借助全局原型而不是梯度来弥补跨客户端的异质性，从而提高局部模型的性能。

    May, 2021

  • 非独立同分布数据下的联邦学习

    本文着重研究了在本地数据不 IID 的情况下联邦学习面临的统计挑战，提出了一个使用全局数据子集来提高非 IID 数据训练准确性的解决方案，并通过实验表明，使用仅占 5％的全局数据子集就可以将 CIFAR-10 数据集的准确性提高 30％。

    Jun, 2018

  • 跨领域原型校准非独立同分布数据的联邦学习

    通过使用跨库样本原型校准方法（FedCSPC）获取来自客户端的附加原型信息并在服务器端学习统一的特征空间，本文解决了既有解决方案在数据集偏差方面的限制，有效提高了特征一致性和性能表现。

    Aug, 2023

  • 基于神经网络的新型不平衡和非独立同分布数据的联邦学习系统

    通过提出集中式的、基于神经网络的联邦学习系统，利用边缘计算减少中央服务器的负载，同时在各种数据分布设置中相对于一些现有基准算法取得令人满意的性能。

    Nov, 2023

  • FedRFQ: 减少冗余、最小化故障和提升质量的基于原型的联邦学习

    FedRFQ 是一种基于样本原型的联邦学习方法，旨在减少冗余、最小化失效，并提高质量。通过使用 SoftPool 机制有效地减少非独立同分布数据中的原型冗余和失效。此外，还引入了 BFT-detect 算法以确保 FedRFQ 对抗攻击和服务器故障的安全性。实验结果表明，当处理非独立同分布数据时，FedRFQ 在准确性方面优于现有基准。

    Jan, 2024

  • FedFMC：在非独立同分布数据上进行序列高效联邦学习

    我们提出了 FedFMC（Fork-Merge-Consolidate），它是一种能够处理非独立同分布数据的联邦学习算法，相较于以往的方法，FedFMC 不需要使用全局共享数据子集，同时也不会增加通信成本。

    Jun, 2020

  • FedDC：基于本地漂移解耦和校正的非独立同分布数据联邦学习

    本文介绍了一种新的联邦学习算法，FedDC，旨在通过本地漂移重构和修正来解决客户端数据分布异质性的问题，实验结果证明 FedDC 在各种图像分类任务上具有加速收敛和更好的性能。

    Mar, 2022

  • FedCD: 非独立同分布联邦学习性能改进

    提出 FedCD 方法，将模型动态地克隆和删除以将设备分组，实现在非独立同分布的数据上高精度和更快的收敛。

    Jun, 2020