关键词heterogeneous data distributions
搜索结果 - 5
- 具有投影轨迹正则化的联邦学习
提出了一种新颖的联邦学习框架(FedPTR),通过采用轨迹正则化来解决分布式学习中数据异质性问题,利用模型训练轨迹中的全局信息进行本地训练规范化,经过理论分析和实验证明其快速收敛并在异质数据分布下具有良好效果。
- 利用基础模型改进联邦学习中的轻量级客户端
通过使用基础模型蒸馏进行联邦训练,提高轻量级客户模型在异构数据环境下的性能,并降低推理成本。
- FedSoL: 在联合学习中桥接全球对齐和本地通用性
通过结合全局对齐和局部普遍性的概念,我们提出了名为 FedSoL 的联邦稳定学习方法,该方法在寻求抵御邻近扰动的参数区域时,既可维持原始局部目标进行参数更新,又能在局部学习中引入一种隐式的邻近限制效果。进行了一系列实验表明,FedSoL 在 - 个性化联邦学习的最优输运方法
该论文提出了一种基于最优输送的个性化联邦学习方案(FedOT),该方案利用最优输送映射将数据点转换到公共分布,并在应用传输映射时学习预测模型,可有效解决联邦学习中异构数据分布的问题。
- FedRAD: 联邦式鲁棒性自适应蒸馏
本研究提出了一种新颖的鲁棒聚合方法 FedRAD,该方法能够检测对手并基于中位数统计量的特性鲁棒地聚合本地模型,并执行一种适应的集成知识蒸馏。大量实验表明,FedRAD 在对手存在以及数据分布异构方面胜过其他聚合器。