GTFLAT: 基于博弈论的附加模块，为联邦学习聚合技术提供支持

Dec, 2022

GTFLAT: Game Theory Based Add-On For Empowering Federated Learning Aggregation Techniques

Hamidreza Mahini, Hamid Mousavi, Masoud Daneshtalab

TL;DRGTFLAT 基于博弈论，提出一种系统性的解决方案，对参与方的自我加权达成协议，使得在平均化任务中达到均衡状态，可以提高联邦学习算法的性能和训练效率。结果表明，使用 GTFLAT 可以增加 1.38％的顶级 1 测试准确性，同时需要少 21.06％的通信轮数来达到此准确性。

Abstract

gtflat, as a game theory-based add-on, addresses an important research question: How can a federated learning algorithm achieve better per

发现论文，激发创造

我们提出一种个性化优化策略，名为 Federated Graph Topology-aware Aggregation（FedGTA），通过拓扑感知的局部平滑置信度和混合邻居特征来优化分布式图学习方法，实现优越的性能和高度可扩展性。

Jan, 2024

该研究对联邦学习框架下聚合策略进行了全面的数学收敛分析，并通过与 FedAvg 进行分类任务的比较来评估其性能，得出了新的聚合算法，该算法可以通过区分客户端贡献的价值来修改其模型架构。

May, 2022

在本文中，我们提出了基于局部适应性和服务器端适应性的新的通信高效的联邦学习算法，通过使用新型协方差矩阵预处理器，我们的方法在理论上提供了收敛保证，并在 i.i.d. 和非 i.i.d. 设置下取得了最先进的性能。

Sep, 2023

该篇论文中提出了一种基于元学习的 Federated Learning 方法，针对一些问题如客户端异构性、难以调优的问题等，通过对客户端属性进行动态加权，进而调整更新步长的策略，相较于目前最先进的算法，在收敛速度和最终学习结果上均显著优于现有的算法。

Aug, 2022

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

本文从原始对偶优化角度提出一种新的机器学习算法策略来解决分布式学习过程中的非凸问题，使得此算法成为分布式学习架构中所有特性最优秀的算法框架，并且具有通信效率。

May, 2020

该研究旨在解决联邦学习过程中的梯度偏差和目标分布方面的问题，通过提出一个无偏梯度聚合算法和控制的元更新过程，实现更快的收敛速度和更高的准确度，具有广泛的适用性和实验验证重要性。

Oct, 2019

本文提出了 FL Games，这是一个博弈理论框架，旨在通过学习跨领域不变关系来改善联邦学习中的预测模型泛化，FL Games 在多个基准测试中展现了高超的领域外表现。

May, 2022

本篇论文以三个方向推动本地方法的理论基础：（1）建立 FedAvg 的尖锐界限；（2）提出了 FedAvg 的有原则的加速方法 FedAc；（3）研究了扩展经典平滑设置的 Federated Composite Optimization 问题。

Jan, 2024

本文提出了基于本地持续训练策略的联邦学习算法，通过评估一小部分代理数据集上的重要性权重并将其用于约束本地训练，从而减少了权重分歧并不断将不同本地客户端的知识整合到全局模型中，显著提高了联邦模型的初始性能。

May, 2020