model aggregation | BriefGPT

关键词model aggregation

搜索结果 - 30

边缘计算中快速且鲁棒的联邦学习的上下文模型聚合
本文旨在解决联邦学习系统中模型聚合存在的收敛缓慢和表现鲁棒性等问题，通过提出上下文聚合方案达到在每一轮优化中实现损耗减少的最佳上下文相关界限，同时证明该聚合方案引导了损失函数的明确降低，并在实验中展示了联合使用本方案和现有算法可取得收敛速度
PDF2 years ago
ICML渐进式权重反量化的比特宽度异构联邦学习
本文介绍了一种具有不同比特宽度参与设备的 Federated Learning（FL）情景，即 Bitwidth Heterogeneous Federated Learning（BHFL），并提出了一种名为 ProWD 的框架，在中心服务
PDF2 years ago
一种面向个性化联邦学习的联盟形成博弈方法
本文使用合作博弈理论中的 Shapley 值，提出了一种新的个性化联邦学习算法 pFedSV，它可以识别每个客户端的最佳合作者并基于 Shapley 值进行个性化模型聚合，实验结果表明相比于现有技术，该算法能够显著提高客户端的个性化准确度。
PDF2 years ago
FedSpace: 卫星和地面站高效的联邦学习框架
本研究提出一种基于联邦学习的框架，可解决低地球轨道卫星数据传输受限、稀疏连接、图像分辨率限制等挑战，通过地面站和卫星协同训练模型实现全球机器学习。实测结果表明，该框架可比现有算法减少 38.6% 的训练时间。
PDF2 years ago
DearFSAC：通过深度强化学习优化不可靠联邦学习的一种方法
本文提出了 DEarFSAC 算法，该算法采用软 Actor-Critic 深度强化学习算法对本地模型分配权重，提高了联邦学习的鲁棒性，并在缺陷场景下实现了比三种现有方法更好的性能。
PDF2 years ago
IJCAI基于合同理论的联邦学习激励机制
基于协议理论的联邦学习任务训练模型可以有效地提高任务的生成准确性和概括准确性，其中采用基于协议的聚合机制作为激励机制。
PDF3 years ago
聚类抽样：联邦学习中客户选择的低方差和改进的代表性
本研究提出基于聚类抽样的客户端选择方法，解决联邦学习中存在的采样偏差、通信效率和稳定性问题，并通过一系列实验表明，该方法在非独立同分布和不平衡的数据集中具有更好的训练收敛性和可变性。
PDF3 years ago
区块链辅助分布式联邦学习（BLADE-FL）：性能分析和资源分配
提出了一种区块链辅助的去中心化联邦学习（BLADE-FL）框架，以解决标准 FL 在模型聚合方面存在的问题，并探讨了懒客户对学习性能的影响及优化方法。
PDF3 years ago
MM联邦学习中泛化错误和隐私泄漏的信息理论界限
这篇论文提供了针对分布式学习、联邦学习和经典机器学习的信息理论框架，同时研究了这些学习范式中的一般化误差和隐私泄露的上下界限制。
PDF4 years ago
ICCV课程辍学
本研究提出了一种名为 “课程退火” 的优化策略，通过逐渐在神经网络结构中添加噪声的方式，从而实施一种非常通用的课程方案，进而创造更好的模型。
PDF7 years ago