one-shot federated learning | BriefGPT

关键词one-shot federated learning

搜索结果 - 6

通过扩散模型在一次性联邦学习中解决异质性和隐私问题
本研究探讨了扩散模型在一次性联邦学习中的有效性，证明其在应对数据异构性和提高联邦学习性能方面的适用性，并与其他一次性联邦学习方法在差分隐私下的效用进行了比较。此外，为了在差分隐私设置下提高生成样本的质量，我们提出了一种实用的傅里叶幅度过滤（
PDF2 months ago
ICLR增强一次性联邦学习通过数据和集成协同增益
One-shot Federated Learning (OFL) has become a promising learning paradigm that can train a global server model via a si
PDF4 months ago
参数特征转换：一次联邦学习与基础模型
FedPFT 是一种使用参数特征传输的联邦学习方法，通过转移基础模型的参数模型来增强通信效率和准确性。FedPFT 在集中式和分散式联邦学习场景下的实验结果表明，在不同的数据异质性设置中，如协变量转移和任务转移，在通信准确性前沿方面提供了最
PDF5 months ago
一次性联邦学习与分类器引导的扩散模型
使用扩散模型，在一次联邦学习中引入了指导性生成数据，避免了现实场景中常见的辅助数据集或训练生成器的障碍。该方法针对异构客户模型和非独立同分布的特征或标签问题，有效处理隐私保护并在一些情况下超越集中式训练的性能上限，从而形成性能更高的聚合模型
PDF8 months ago
跨数据空间实用的一次性联邦学习
本文介绍一种名为 FedKT 的实用单次联邦学习算法，它利用知识转移技术，适用于任何分类模型，并灵活实现差分隐私保证。我们的实验证明，FedKT 可以在一个通信轮中显著优于其他最先进的联邦学习算法。
PDF4 years ago
一次性联邦学习
本文介绍了一种单次联邦学习方法，通过使用集成学习和知识聚合，使得中央服务器可以在单次通信中学习联合设备网络上的全局模型，在 AUC 方面相对于本地基线获得了 51.5% 左右的平均相对收益，并且达到了全局理想状态的 90.1% 左右。最后，
PDF5 years ago