Sep, 2023
FedDIP: 极限动态剪枝和增量正则化的联邦学习
FedDIP: Federated Learning with Extreme Dynamic Pruning and Incremental Regularization
Qianyu Long, Christos Anagnostopoulos, Shameem Puthiya Parambath, Daning Bi
TL;DR本研究提出了一种新的联邦学习框架 (FedDIP),通过动态模型修剪和错误反馈相结合的方式,来控制参数交换并实现模型稀疏化,以达到与其他模型修剪方法相媲美或更好的性能。