English(EN) FedReLa: Imbalanced Federated Learning via Re-Labeling

新的FedReLa方法解决了联邦学习中的类别不平衡问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-24 17:13

研究人员推出了一种名为FedReLa的新方法，旨在解决联邦学习中的类别不平衡和数据异构性问题。该方法利用一种依赖于特征的标签重新分配器，在无需了解整体类别分布的情况下纠正有偏见的全局决策边界。FedReLa是一种模块化且与模型无关的技术，可以与现有的算法方法集成以提高性能，特别是对少数类别的性能，并在实验中显示出优于先前最先进方法的性能。 AI

影响提高了在具有不平衡数据集的去中心化人工智能训练场景中的性能。

排序理由该集群包含一篇详细介绍联邦学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv stat.ML TIER_1 English(EN) · Liuhua Peng · 2026-06-24 17:13

FedReLa: Imbalanced Federated Learning via Re-Labeling

Federated learning has emerged as the foremost approach for decentralized model training with privacy preservation. The global class imbalance and cross-client data heterogeneity naturally coexist, and the mismatch between local and global imbalances exacerbates the performance d…

报道来源 [1]

FedReLa: Imbalanced Federated Learning via Re-Labeling

相关实体

相关话题