Jun, 2024
FedMap：迭代基于幅度修剪的通信高效联邦学习
FedMap: Iterative Magnitude-Based Pruning for Communication-Efficient Federated Learning
Alexander Herzog, Robbie Southam, Ioannis Mavromatis, Aftab Khan
TL;DRFedMap 是一种新颖的方法，通过协作学习逐渐稀疏全局模型，从而提高联邦学习系统的通信效率，适用于对隐私至关重要的医疗和金融领域。它采用迭代的振幅剪枝方法训练全局模型，以减少通信开销，避免了参数重新激活问题，实现了稳定的性能表现。FedMap 在多样的设置、数据集、模型架构和超参数中进行了广泛评估，证明了在 IID 和非 IID 环境下的性能，并相较于基线方法，FedMap 能够达到更稳定的客户端模型性能，并在不降低准确性的情况下至少实现 80% 的剪枝。