FedSPM框架通过处理双重异质性来增强联邦学习

研究人员引入了FedSPM，一个旨在解决联邦学习中双重异质性问题的新框架。该方法通过用特定的潜在组件表示每个客户端来解决客户端间的差异和客户端内的变化。这些组件整合了用于分类的预测分布和用于路由的特征分布，旨在提高系统级别的智能。FedSPM利用联邦期望最大化算法，并在模拟和真实的医疗数据集的路由和预测方面展示了持续的性能提升。 AI

影响 引入了一种新的联邦学习方法，通过解决复杂的数据异质性来提高性能。

排序理由 该条目是一篇研究论文，详细介绍了一种新的联邦学习框架。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

• alphaXiv
• arXiv
• CatalyzeX
• CORE Recommender
• DagsHub
• FedSPM
• Gotit.pub
• Hugging Face
• IArxiv Recommender
• ScienceCast

• 论文
• 模型发布

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