Mar, 2025

具有受损客户端的稳健非对称异构联邦学习

TL;DR本研究解决了存在模型异构和数据受损客户端的稳健联邦学习任务。提出了一种新颖的稳健非对称异构联邦学习框架(RAHFL)和增强多样性的监督对比学习技术,以提高模型在面对不同数据损坏模式时的韧性和适应性。实验结果表明,该方法在多种复杂的联邦学习环境中具有显著的有效性和稳健性。