client heterogeneity | BriefGPT

关键词client heterogeneity

搜索结果 - 7

异质客户的联邦线性情境赌博机
提出了一种面向异构客户的联邦赌博学习算法，通过对客户进行聚类实现了协同赌博学习，在联邦学习设置下，该算法在所有客户端都能实现非平凡的次线性遗憾和通信成本，只要服务器在任何时候只共享一个模型。
PDF4 months ago
提升联邦深度学习泛化能力的群组连接性
通过对 FL 中的连接性进行研究和改进，本文提出了 FedGuCci 和 FedGuCci + 两种方法，用于提高 FL 的泛化性能，尤其适用于不同任务、不同模型和训练范式的异构客户端情况。
PDF4 months ago
FLASH：跨同时异质环境的联邦学习
FLASH 是一个轻量级、灵活的客户端选择算法，通过权衡与客户端数据质量、数据分布和延迟相关的统计信息来优化各种异质性源，从而在广泛的异质性源下优于最先进的 FL 框架。
PDF5 months ago
高效异构联邦学习：一种基于匹配和分割学习的方法
提出了一种新颖的拆分联邦学习（SFL）框架，它通过将具有不同计算资源的客户端配对，将神经网络模型逻辑分为两部分，每个客户端只计算分配给它的部分，从而显著提高了联邦学习的训练速度，并在独立相同分布（IID）和非 IID 数据分布中实现了高性能
PDF10 months ago
PFL-GAN：当客户异质性遇到生成模型于个性化联邦学习
最近发展的生成学习模型伴随着对基于生成对抗网络的联邦学习（FL）的增加兴趣。在 FL 的背景下，GAN 能够捕捉基本的客户数据结构，并能够重新生成类似于原始数据分布但不会泄露私有原始数据的样本。我们提出了一种针对 FL 中的客户异质性的新型
PDF10 months ago
联邦学习中的在线元学习用于模型更新聚合在点击率预测中的应用
该篇论文中提出了一种基于元学习的 Federated Learning 方法，针对一些问题如客户端异构性、难以调优的问题等，通过对客户端属性进行动态加权，进而调整更新步长的策略，相较于目前最先进的算法，在收敛速度和最终学习结果上均显著优于现
PDF2 years ago
FjORD：有序 Dropout 下异构目标的公平准确联邦学习
我们在 Federated Learning 中引入了 Ordered Dropout 机制，结合自蒸馏方法，构建了 FjORD 框架来解决客户端系统异构性问题，实现了模型宽度的定制，达到了显著的性能提升。
PDF3 years ago