Jul, 2024

FedClust: 通过权重驱动的客户端聚类解决联邦学习中的数据异质性

TL;DR通过测量局部模型权重的相似性,一种名为 FedClust 的新型聚类联邦学习方法,通过在一个步骤中将客户端分组成簇的方式,解决了非独立同分布数据情况下不均匀数据分布导致的性能下降问题,并且相比其他最先进方法,FedClust 在模型精度上提高了高达约 45%,并且在收敛速度上具有显著降低的通信成本,最高可达 2.7 倍。