FedAvg 算法探索个性化与泛化能力在 HAR 中的权衡

本文探讨了 FedAvg 算法在人类活动识别 (HAR) 领域的有效性，重点关注联邦学习中个性化与泛化准确性之间的平衡。研究人员设计并实施了各种测试场景，以比较集中式、本地式和联邦式学习范式，包括模拟变化的客户端数据。实验结果表明，与传统的集中式学习相比，FedAvg 在保持强大泛化能力的同时提供了更好的个性化，尽管在客户端之间变化的类别分布等挑战性条件下，这种优势会减弱。 AI

影响 这项研究探讨了活动识别联邦学习中的权衡，可能为更注重隐私和个性化的 AI 系统提供信息。

排序理由 该集群包含一篇提交到 arXiv 的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• Alessandro Bogliolo
• alphaXiv
• arXiv
• CatalyzeX Code Finder for Papers
• CORE Recommender
• DagsHub
• FedAvg
• Gotit.pub
• Hugging Face
• Human Activity Recognition
• IArxiv Recommender
• Influence Flower
• ScienceCast

• 论文
• 其他

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