新的优化器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] · 2026-07-03 04:00

研究人员开发了 FedCGNM，一种新颖的客户端优化器，旨在解决联邦学习中的类别不平衡问题。该方法将类别划分为组，为每个组维护和归一化动量，并使用归一化组动量之和进行更新。这种方法旨在均衡多数类和少数类之间的梯度幅度，并减少稀有类别梯度的噪声。此外，还引入了 X 臂老虎机算法 FedHOO，通过利用联邦并行性来有效优化小型联邦中的超参数速率。 AI

影响引入了新颖的方法来提高联邦学习模型在不平衡数据集上的性能，有可能增强在医疗保健或金融等敏感领域的应用。

排序理由该集群包含一篇详细介绍联邦学习新算法的研究论文。[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 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Haemin Park, Diego Klabjan, Martin W. Braun, Xiuqi Li, Balakrishnan Ananthanarayanan · 2026-07-03 04:00

Class-Grouped Normalized Momentum and Faster Hyperparameter Exploration to Tackle Class Imbalance in Federated Learning

arXiv:2607.01474v1 Announce Type: new Abstract: Class imbalance poses a critical challenge in federated learning (FL), where underrepresented classes suffer from poor predictive performance yet cannot be addressed by standard centralized techniques due to privacy and heterogeneit…

报道来源 [1]

Class-Grouped Normalized Momentum and Faster Hyperparameter Exploration to Tackle Class Imbalance in Federated Learning

相关实体

相关话题