non-iid data | BriefGPT - AI 论文速递

关键词non-iid data

搜索结果 - 54

个性化解读联邦学习：一种虚拟概念方法
设计了一种新颖的联邦学习方法，用于解决跨客户的非独立同分布数据解释性问题，同时提高模型性能和训练过程的鲁棒性，并实验证明了该方法的有效性。
PDF6 days ago
异质联合边缘学习的快速收敛：自适应协作信令辅助数据组播方法
基于群集数据共享的联邦边缘学习 (FEEL) 是为 6G 超连接而出现的分布式机器学习范式，通过保护数据隐私，利用物联网设备的数据。为了解决 FEEL 中的统计不平衡问题，我们引入了一个集群数据共享框架，通过辅助多播来选择性地从集群头部共享
PDF20 days ago
多联邦学习：使用分散的联邦学习处理包容性非独立同分布数据
多联邦学习是一个去中心化的联邦学习框架，旨在解决非独立同分布数据的问题，并通过维护多个模型并行进行收敛，以增强适应性。
PDF2 months ago
增强本地模型多样性的非独立同分布数据的一次性连续联邦学习
通过提出一种局部模型多样性增强策略，我们改进了非独立同分布（non-IID）数据下的一次性序列联邦学习，从而提高了全局模型的性能并保持低通信成本。
PDF3 months ago
狗散步理论：重新思考联邦学习中的收敛性
该研究论文中，作者通过狗的牵引行为的比喻，提出了一种新的联邦学习算法 FedWalk，该算法利用服务器端的一个容易收敛的任务作为 “牵引任务” 来指导客户端的本地训练，以解决现有 FL 算法中存在的一些问题，并通过在多个基准数据集上的实验证
PDF3 months ago
FedDistill: 全局模型蒸馏以消除非独立同分布联邦学习中的局部模型偏差
FedDistill 是一个增强全局模型与本地模型之间知识传输的框架，专注于解决非均衡类分布的问题，通过群体蒸馏并将全局模型分解为特征提取器和分类器，确保本地模型不会忘记低频类别，而是更擅长准确识别和分类，通过全面实验验证了 FedDist
PDF3 months ago
逻辑回归校准与特征对比：用于非独立同分布数据的鲁棒联邦学习
本文介绍了 LHD 的一个解决方案，名为 FatCC，通过在 local adversarial updates 过程中对 logit 进行校准，以及引入 feature contrast 的全球对齐术语，从 logit 和 feature
PDF3 months ago
非独立同分布数据隐私灵活联合学习的近似梯度编码
该研究针对非独立同分布数据和联邦学习中的慢节点 / 失联节点的挑战进行了探讨，提出了一种灵活的隐私范式，将部分客户端的本地数据建模为非私有数据，从而在隐私方面提供了更多样化且以企业为导向的视角。同时，该研究通过结合离线数据共享和近似梯度编码
PDF3 months ago
CVPR重新思考使用非独立同分布数据进行联邦无监督学习的表示
FedU2 提出了一种用于非 I.I.D. 数据的联邦无监督学习方法，通过灵活的统一正则化器（FUR）和高效的统一聚合器（EUA）来解决现有方法在局部和全局模型表示之间存在的困扰，并通过跨设备和跨隔离评估实验证明了其性能。
PDF3 months ago
构建公平、强韧和高效的联邦学习中的客户端贡献评估
本论文介绍了一种名为公平、强健且高效的客户评估（FRECA）的方法，用于量化联邦学习（FL）中客户的贡献。该方法使用 FedTruth 框架估计全局模型的真实更新，平衡各个客户的贡献，同时过滤掉恶意客户的影响。FRECA 还能够防御拜占庭攻
PDF5 months ago
FedRFQ: 减少冗余、最小化故障和提升质量的基于原型的联邦学习
FedRFQ 是一种基于样本原型的联邦学习方法，旨在减少冗余、最小化失效，并提高质量。通过使用 SoftPool 机制有效地减少非独立同分布数据中的原型冗余和失效。此外，还引入了 BFT-detect 算法以确保 FedRFQ 对抗攻击和服
PDF6 months ago
基于注意力的个性化联邦学习
个性化联邦学习方法 (FedACS) 关注非独立同分布数据与数据稀缺问题，通过引入注意力机制提高具有相似数据分布的客户之间的协作，优化资源分配，表现出与众不同的优势，从而推动个性化联邦学习领域的进步。
PDF6 months ago
異構聯邦學習中以歷史為鑑
该论文提出了一种名为 Federated Historical Learning (FedHist) 的新型异步联邦学习框架，通过对服务器上缓存的历史全局梯度进行加权融合来解决了非 IID 数据和梯度滞后所带来的挑战，同时引入了一种智能的
PDF7 months ago
利用模型串联在联邦学习中利用标签偏差
Federated Learning（FL）是一种无需交换原始数据即可在不同数据所有者之间进行深度学习的有前途的解决方案，而非独立同分布（non-IID）数据是 FL 中的一个关键挑战，会显著降低最终模型的准确性。与大多数先前研究中对本地模
PDF7 months ago
联邦学习服务的多准则客户选择和调度以确保公平性
通过多准则客户选择和调度方案，我们提出了一种具有公平性保证的联邦学习方案，包括两个阶段：初步客户池选择和每轮客户调度。我们通过建立一个基于多个准则的客户选择度量，如客户资源、数据质量和客户行为，来解决在给定预算下最大化选定客户整体得分的初始
PDF7 months ago
从随机到基础模型的指导初始化在医学图像分割中的联邦学习中的起始点在哪里？
通过使用基础模型的巨大预训练知识作为以医学图像分割任务为例的 FL 模型初始化的指导教师，本研究首次尝试将基础模型作为 FL 初始化的教师，评估其对 FL 模型性能的影响，尤其是在非独立同分布数据场景中。经验评估结果表明，在胸部 X 光肺分
PDF7 months ago
REPA: 非独立同分布环境中无需训练和数据标签的客户端聚类改进联邦学习
该论文介绍了一个名为 REPA 的方法，用于在非独立同分布的联邦学习环境中进行客户端聚类，该方法不需要进行训练或标记数据收集，并使用一种基于自动编码器的监督方法来创建客户端的嵌入，从而揭示其潜在数据生成过程，并在三个不同数据集上进行的实验分
PDF9 months ago
ICCV大胆而谨慎：通过谨慎激进的合作释放个性化联邦学习的潜力
本文介绍了个性化联邦学习中客户端协作的新指南，允许客户端与其他客户端共享更多参数，从而改善模型性能。此外，我们还提出了一种名为 FedCAC 的新联邦学习方法，通过定量指标评估每个参数对非独立分布数据的敏感性，并根据该评估精选合作伙伴。实验
PDF9 months ago
通过漂移正则化的非独立同分布数据上的联邦学习
在异构环境中，我们提出了一个名为 LfD（Learning from Drift）的方法，通过漂移估计和漂移正则化两个关键组件，该方法有效地在训练模型时防止性能下降，并在非独立同分布（Non-IID）数据的联邦学习中表现出优越性。
PDF10 months ago
当 MiniBatch SGD 遇上 SplitFed Learning：收敛性分析与性能评估
提出了 MiniBatch-SFL 算法，通过将模型在切割层处分为两部分，在减轻客户端设备的计算负载的同时解决了分布式学习中的客户端偏移问题。实验证明，相对于传统的 SFL 和 FL 方法，MiniBatch-SFL 在高度非独立同分布数据
PDF10 months ago