研究人员引入了联邦双层表现性预测（Federated Bilevel Performative Prediction, FBi-PP）来解决联邦学习中的挑战，在这种情况下，部署的决策会改变客户端的行为和数据分布。该新框架考虑了优化上下两层的与决策相关的分布变化。提出了两种计算表现性稳定解的方法：FBi-RRM 和 FBi-SGD，其中 FBi-RRM 提供线性收敛，FBi-SGD 提供通信效率。使用 CNN 进行分类和策略回归任务的实验表明，与非表现性方法相比，这些方法在提高元泛化能力方面是有效的。 AI
影响 引入了处理联邦学习中复杂分布变化的新方法，有望提高分布式真实世界系统中模型的鲁棒性和泛化能力。
排序理由 这是一篇研究论文，详细介绍了一种用于联邦学习的新框架和方法。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
