PulseAugur
中
实时 09:00:15
English(EN) WHERE to Generate Matters: Budget-Aware Synthetic Augmentation for Label Skewed Federated Learning

FedEAS策略降低了联邦学习中合成数据生成的成本

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了FedEAS，这是一种旨在缓解联邦学习（FL）中标签偏斜的新型策略。该方法通过根据每个客户端的本地标签分布为其分配预算来优化合成数据生成过程，从而确定生成样本的数量和目的地。与传统的全类别平衡方法相比，FedEAS显著降低了相关的计算成本，在生成预算减少高达94.1%的情况下实现了显著的准确性提升。与相同生成预算下的均匀分配策略相比，FedEAS表现出更优越的性能，在CIFAR-10和CIFAR-100等数据集上准确率提高了高达18.82%。 AI

影响 优化了联邦学习中的合成数据生成，有望降低计算成本并提高模型准确性。

排序理由 该集群包含一篇详细介绍联邦学习新方法的论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

FedEAS策略降低了联邦学习中合成数据生成的成本

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Sangwoo Lee, Sunghwan Park, Jaewoo Lee ·

    WHERE to Generate Matters: Budget-Aware Synthetic Augmentation for Label Skewed Federated Learning

    arXiv:2607.06616v1 Announce Type: cross Abstract: Label skew in federated learning (FL) causes client drift and degrades global accuracy. Synthetic data augmentation can reduce this imbalance; however, full class balancing requires substantial computation cost. We propose FedEAS,…

相关实体

相关话题