用户中心联邦学习

MMOct, 2021

User-Centric Federated Learning

Mohamad Mestoukirdi, Matteo Zecchin, David Gesbert, Qianrui Li, Nicolas Gresset

TL;DR本研究提出了一种使用多个以用户为中心的聚合规则实现个性化的联邦学习方法，通过广播协议来限制个性化流的数量从而在保证学习效果的情况下提高通信效率。仿真结果表明与其他竞争的基准方案相比，我们的方法具有更高的个性化能力、更快的收敛速度和更好的通信效率。

Abstract

data heterogeneity across participating devices poses one of the main challenges in federated learning as it has been shown to greatly hamper its convergence time and generalization capabilities. In this work, we

federated learning data heterogeneity personalization aggregation rules communication efficiency

发现论文，激发创造

面向用户的联合学习：以个性化为代价进行无线资源交换

本文设计了以用户为中心的聚合规则，基于可用的梯度信息，为每个联邦学习客户端生成个性化模型，并得出了一种课通信高效的变体，以优于流行的个性化联邦学习基线的平均正确性，最差节点性能和训练通信开销。

Apr, 2023

基于特征融合的个性化联邦学习

本研究讨论了联邦学习中的数据异质性问题，并提出了一种个性化的联邦学习方法，名为 pFedPM，通过特征上传来减少通信成本和允许异构客户端模型，实验证明该方法在 MNIST、FEMNIST 和 CRIFAR10 数据集上的通信效率优于其他联邦学习方法。

Jun, 2024

在个性化层上进行联合学习

本文介绍了 FedPer，一种基本 + 个性化层式的联邦深度前馈神经网络训练方法，旨在对抗数据异质性的负面影响，提升联邦学习的训练效果。FedPer 的有效性在 CIFAR 数据集和 Flickr 个性化图像美学数据集上得到了证明。

Dec, 2019

联邦学习的个性化技术综述

本文调查了针对非独立同分布数据的个性化联邦学习的研究，此技术可让多方参与联合学习，从而达到隐私保护的目的。

Mar, 2020

分布式个性化在线联邦学习

我们提出了一个新的去中心化个性化在线联邦学习设置，用于在在线环境中学习，在每个客户端上学习个性化模型，并在去中心化环境中学习。我们解决了两个技术挑战：如何通过优化本地模型的性能来聚合来自邻近客户端的共享模型参数，并通过学习的聚合权重选择最有帮助的邻居减少通信成本。

Nov, 2023

个性化联邦学习的交叉融合规则

该论文提出了一种多层多融合策略框架，其中采用 L2 范数负指数相似度度量来计算每个客户端的特征提取层参数的融合权重，采用联合全局最优模型近似融合策略来解决对个性化的过拟合问题，提高了异构数据个性化协同效率，并经过实验结果验证优于现有方法。

Feb, 2023

多服务器无线联邦学习

本文提出了一种基于聚类的两层联邦学习算法，使用可扩展的聚类无线聚合方案实现算法的上行传输，使用适用于带宽受限的广播方案进行下行传输，展示了在干扰环境下该方法的高精度学习表现并导出该方法的收敛界。

Nov, 2022

设备上个性化联邦评估

该研究介绍了扩展联邦学习运算框架以评估全球模型个性化策略的方法，并提出了分析个性化效果以评估个性化是否产生理想模型的工具。作者还报告了在数千万用户的智能手机虚拟键盘中个性化语言模型的实验结果，并展示了相当一部分用户从个性化中受益。

Oct, 2019

联邦学习中的个性化改善隐私 - 准确性权衡

研究分布式机器学习系统，并基于修正的随机优化算法实现私人级联学习，在保证局部模型私密性的同时，与全局模型进行协调，提升了准确性和隐私保护的平衡。

Feb, 2022

基于聚类的动态图传播重新思考个性化联邦学习

提出了一个简单而有效的个性化联邦学习框架，通过将客户端分组为多个集群并基于服务器端的模型训练状态和数据分布构建连接集群的图，使用加权边更新节点的模型参数，然后设计了一种精确的个性化模型分配策略，以允许客户端从服务器端获取最合适的模型。在三个图像基准数据集和三种类型的合成结构化数据集上进行了实验，实验结果证明了该方法的有效性。

Jan, 2024