个性化联邦学习的交叉融合规则

Feb, 2023

Cross-Fusion Rule for Personalized Federated Learning

Wangzhuo Yang, Bo Chen, Yijun Shen, Jiong Liu, Li Yu

TL;DR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。

Abstract

Data scarcity and heterogeneity pose significant performance challenges for personalized federated learning, and these challenges are mainly reflected in overfitting and low precision in existing methods. To over

personalized federated learning multi-layer multi-fusion strategy overfitting heterogeneous data federated global optimal model

发现论文，激发创造

用户中心联邦学习

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。

Oct, 2021

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

一种基于原型的分层联邦跨模态哈希

该论文提出了一种名为基于原型的分层联邦跨模式哈希的新方法来解决在不同客户端上运行时由于数据隐私及其他原因导致的模型异构性问题，提高模型性能。

Oct, 2022

FedL2P：个性化联邦学习

该论文研究了联邦学习（FL）的个性化策略问题，并介绍了一种通过元网络（meta-nets）在 FL 网络中学习个性化策略的框架，该框架通过学习元网络的批量归一化和学习率参数来为每个客户端生成定制的个性化策略。实证结果表明，该框架在标签偏移和特征偏移情况下优于多种标准的手工个性化基线方法。

Oct, 2023

连接低损耗子空间的个性化联邦学习

本文提出了 SuPerFed 方法，该方法采用模型混合个性化联邦学习方法并在权重空间中引入本地模型和联邦模型之间的显式连接，以提高个性化性能和鲁棒性。通过对多个基准数据集的广泛实验，我们证明了该方法在现实服务中实现了一致的收益。

Sep, 2021

个性化联邦学习与一阶模型优化

本文提出了一种个性化的联邦学习方法，通过每个客户只与相关客户联合训练模型，实现客户自定义目标分布的最优加权模型组合，且不需要知道任何数据分布或客户相似性的先验知识，该方法在多个联邦学习场景和数据集下表现优异，同时也支持个性化的迁移学习。

Dec, 2020

个性化联邦学习参数选择的贝叶斯神经网络

提出了一种个性化的联邦学习方法，在神经网络的元素级别进行个性化参数选择，利用贝叶斯神经网络和提供的不确定性来指导参数选择，实验证明该方法在多个真实数据集上优于现有基线模型。

Feb, 2024

部分个性化联邦学习：打破数据异构的诅咒

本文介绍了一种部分个性化的联邦学习（FL）方法，旨在在个性化和全局训练的灵活性之间取得平衡，并提出了一种简单的算法来解决数据异构性问题。

May, 2023

关于连接通用型和个性化联邦学习用于图像分类

本文提出一种新型联邦学习框架，名为 Fed-RoD，它通过解耦模型的双重任务，即引入一族能够应对不同问题数据分布的损失函数，并将个性化预测器作为一个轻量级的自适应模块，使学习模型同时实现了最先进的通用和个性化的性能表现。

Jul, 2021