Feb, 2023

FAST：面向联邦学习的快速自适应聚合技术进行多标签分类

PDF
TL;DR本文提出了一种基于聚类的多标签数据分配和一种新的聚合方法 —— 快速标签自适应聚合以解决多标签联邦学习中的分类问题。实验结果表明，该方法仅需要不到 50％的训练迭代和通信轮次即可超过最先进的联邦学习方法。
发现论文，激发创造
  • 聚类联邦学习：在隐私约束下的模型无关分布式多任务优化

    本研究提出了一种基于聚类的联邦多任务学习框架（Clustered Federated Learning），可在保持数据隐私性的同时，更好地解决联邦学习中本地数据分布不同的问题，并在深度卷积和循环神经网络上进行实验证明了其有效性。

    Oct, 2019

  • 解决数据异构的无聚合联邦学习

    FedAF 是一种不需要数据聚合的联邦学习算法，通过协作学习来减少数据异质性导致的客户端漂移问题，提高全局模型准确性和收敛速度

    Apr, 2024

  • FedAC：一种适应性聚类的异构数据联邦学习框架

    在本文中，我们提出了一种自适应的聚类联邦学习框架，名为 FedAC，它通过解耦神经网络并为每个子模块使用不同的聚合方法，有效地将全局知识融合到簇内学习中，同时采用一种经济高效的在线模型相似度度量基于降维技术，以及一个用于改进复杂异构环境中自适应性和可扩展性的簇数微调模块。广泛的实验结果表明，相较于现有方法，FedAC 在不同的非独立同分布设置下，CIFAR-10 和 CIFAR-100 数据集的测试准确率分别提高了约 1.82% 和 12.67%。

    Mar, 2024

  • 联邦多目标域自适应

    提出一种新的基于联邦学习的多目标领域自适应算法，通过对模型性能的分析，发现现有领域自适应方法在面对该问题时存在的问题，并提出一种有效的 DualAdapt 方法来解决这些问题。在图像分类和语义分割任务上的大量实验结果表明，我们的方法在客户端设备上实现高准确度，最小通信成本和所需计算资源低。

    Aug, 2021

  • FedPD: 一种具有最优速率和适应非独立同分布数据的联邦学习框架

    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

  • FedMT：混合标签联邦学习

    本文提出了面向混合标签的联邦学习方法，旨在解决不同中心之间标签的空间不匹配问题，并结合不同联邦学习方法，通过过参数化 ReLU 网络实现线性收敛的标签投影，通过基准和医学数据集验证理论分析的有效性。

    Oct, 2022

  • FedALA：用于个性化联邦学习的自适应本地聚合

    本文提出了一种改进的联邦学习方法 ——FedALA，通过 Adaptive Local Aggregation (ALA) 模块，适应性地聚合下载的全局模型和本地模型，初始化每个客户端上的本地模型，并进行训练，实验结果表明，FedALA 在计算机视觉和自然语言处理等五个基准数据集上超过了 11 种现有技术的 baselines，提高了最高达 3.27％的测试准确性，同时我们还将 ALA 模块应用于其他联邦学习方法，实现了最高达 24.19％的测试准确性提高。

    Dec, 2022

  • 联邦设置下的因果多标签特征选择

    在分散设置中，本文研究了因果多标签特征选择的挑战性问题，并提出了一个包含三个新颖子程序的分散因果多标签特征选择 (FedCMFS) 算法，能够在不集中数据的情况下保持数据隐私，实现对相关特征的选择和移除，为分散设置中的因果多标签特征选择提供了一种有效的方法。

    Mar, 2024

  • 语言引导的联邦多标签分类的 Transformer

    提出了一种用于多标签分类的新型联邦学习框架（FedLGT），旨在解决用户异构性和标签相关性等挑战，通过在不同客户端之间传递知识来学习出稳健的全局模型，实验证明在多标签联邦学习场景下超过了标准联邦学习技术，并获得了令人满意的性能。

    Dec, 2023

  • 攻击自适应聚合的鲁棒联邦学习

    针对联邦学习存在的毒化模型和后门攻击等安全威胁，我们提出了一种基于注意力机制的神经网络攻击自适应的聚合策略。我们的方法可以在数据驱动的方式下，有效应对各种攻击，特别是对图像和文本数据集中的模型毒化和后门攻击的防御具有竞争力的表现。

    Feb, 2021