ICMLMay, 2022

Orchestra：基于全局一致聚类的无监督联邦学习

PDF
TL;DR本文提出一种基于 Orchestra 算法的无监督联邦学习技术，通过在联邦结构中进行分层聚类任务并强制执行全局一致的客户端数据划分，实现了对统计 / 系统异质性、可扩展性和通信效率的稳健性，保证了良好的泛化性能，并在一系列条件下优于其他技术。
federated learningunsupervised learningorchestraclusteringgeneralization performance
发现论文，激发创造
  • 联邦 K-means 聚类

    分散数据集的联邦学习技术可以进行机器学习，而无需数据集合，因此更好地保护数据的隐私和所有权。本研究介绍了一种以联邦方式实现 K-means 聚类的算法，旨在解决中心之间聚类数量变化和在不易分离的数据集上的收敛问题。

    Oct, 2023

  • 基于一致性优化的集群联邦学习中的群体共识达成机制

    本论文介绍了一个解决群集联合学习问题的新方法，该方法基于共识优化 (CBO) 中的思想，使用相互作用的粒子系统进行全局优化，经过数学推导得到了该模型的收敛性证明，并通过实验结果证实了 FedCBO 算法的有效性。

    May, 2023

  • 带有噪声标签的鲁棒联邦学习

    提出了一种新的联邦学习方案，其中服务器与本地模型合作，通过交换类别的中心来保持一致的决策边界，实现了在网络中使用带有给定噪声的标签的一致决策边界。同时，还提出了选择有自信的样本来更新模型以及全局引导的伪标签方法来更新不自信的样本标签。在嘈杂的 CIFAR-10 数据集和 Clothing1M 数据集上的实验证明，该方法在使用有噪声的标签的联邦学习中非常有效。

    Dec, 2020

  • 异构环境下的健壮联邦学习

    在 Federated Learning 中，我们提出了一个统计模型来解决异构数据分布和拜占庭机器等统计和计算挑战。在此基础上，我们提出了一个优化算法来解决该问题，并获得了比非拜占庭鲁棒算法更好的估计误差。

    Jun, 2019

  • 异构客户端的联邦自监督学习

    提出了一种名为 Heterogeneous Self-supervised Federated Learning（Hetero-SSFL）的统一框架，可以在异构客户端上进行协作表示学习，同时解决了系统异质性和标记数据匮乏等问题，并在非凸目标的异构性设置中提供了收敛保证，而且比现有方法表现更佳。

    May, 2022

  • 基于自适应 OPTICS 聚类的强化联邦学习方法

    本文提出一种基于自适应 OPTICS 聚类的增强型联邦聚合方法，将聚类环境视为马尔可夫决策过程，并模拟参数搜索方向的调整过程，以找到最佳的聚类参数，从而实现更好的联邦聚合效果。

    Jun, 2023

  • 可证明的个性化和强健联邦学习

    本文提出采用简单的基于阈值的聚类算法以及本地客户端梯度的方法来解决联邦学习个性化问题，在保证最优收敛保障的同时，算法具有健壮性。

    Jun, 2023

  • 联邦优化指南

    本论文旨在提供针对联邦优化算法的具体指导和实用实现，重点关注进行有效模拟以推断实际效果，并鼓励研究人员设计适用于各种实际应用的联邦学习算法。

    Jul, 2021

  • 异构设置下联邦自监督学习：在 HAR 上基线方法的限制

    本研究旨在提供在现实环境下使用半监督学习来评估联邦学习的参考标准，其重点在于联邦自监督学习的研究，以利用移动设备上存在的大量异构未标记数据。通过使用多个现实异构人类活动识别数据集，本研究表明标准轻量级自编码器和标准联邦平均无法学习人类活动识别的稳健表示，这些发现证明了需要加强联邦自监督学习的研究。

    Jul, 2022

  • SemiFed: 带一致性和伪标记的半监督联邦学习

    本文提出了一种名为 SemiFed 的新框架，它将一致性正则化和伪标记方法融合到了联合学习中，以解决跨数据中心联合学习中的部分标记问题，并证明了该方法在同质化和异质化数据分布设置下的有效性。

    Aug, 2021