PulseAugur
中
实时 09:12:47
English(EN) Personalized Additive Modeling for Multi-level Federated Learning

新型联邦学习模型适应复杂非独立同分布数据

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的联邦学习方法——联邦多层加性建模（FeMAM），该方法旨在处理复杂的多层非独立同分布（non-IID）数据结构。该方法学习共享知识的多个粒度——全局、子组和客户端特定——通过加性组合实现个性化预测。FeMAM通过在训练过程中动态地增长和修剪模型来进行适应，通过一次只训练一部分模型来提高效率。实验表明，FeMAM在近似各种非独立同分布场景方面优于现有的聚类和个性化联邦学习方法。 AI

影响 这项研究可以提高联邦学习系统在用户数据高度多样化的实际场景中的性能。

排序理由 该集群包含一篇详细介绍新型机器学习模型和方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

新型联邦学习模型适应复杂非独立同分布数据

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Shutong Chen, Guodong Long, Tianyi Zhou, Jie Ma, Jing Jiang, Chengqi Zhang ·

    Personalized Additive Modeling for Multi-level Federated Learning

    arXiv:2405.16472v2 Announce Type: replace Abstract: Contemporary AI faces the challenge of balancing generality with user-specific personalization. In federated learning (FL), this challenge is amplified by highly heterogeneous client data with complex non-IID patterns beyond sta…

相关话题