English(EN) Federated Learning with Energy-Based Structured Probabilistic Inference

新框架使用条件随机场（CRFs）精炼联邦学习聚合权重

作者 PulseAugur 编辑部 · [2 个来源] · 2026-06-29 11:38

研究人员开发了一个新的联邦学习框架，该框架使用条件随机场（CRFs）来改进客户端聚合权重。该方法同时模拟了单个客户端的可靠性以及客户端之间的交互，从而更好地实现了全局训练目标的收敛。实验表明，该方法优于现有的联邦学习基线，尤其是在处理非独立同分布（non-IID）数据异质性时。 AI

影响这项研究可能导致更高效、更准确的分布式机器学习模型训练，尤其是在数据源多样化的场景下。

排序理由该集群包含一篇详细介绍联邦学习新方法的学术论文。

AI 生成摘要 · Google Gemini · 来自 2 个来源。我们如何撰写摘要 →

报道来源 [2]

arXiv cs.AI TIER_1 English(EN) · Dario Fenoglio, Daniil Kirilenko, Martin Gjoreski, Marc Langheinrich · 2026-06-30 04:00

基于能量的结构化概率推理的联邦学习

arXiv:2606.30161v1 Announce Type: cross Abstract: Federated learning typically aggregates client updates using fixed or heuristic weighting rules, which can be suboptimal when clients have heterogeneous data and varying contributions to the global model. We propose a framework th…
arXiv cs.AI TIER_1 English(EN) · Marc Langheinrich · 2026-06-29 11:38

基于能量的结构化概率推理的联邦学习

Federated learning typically aggregates client updates using fixed or heuristic weighting rules, which can be suboptimal when clients have heterogeneous data and varying contributions to the global model. We propose a framework that refines client aggregation weights using Condit…