PulseAugur
中
实时 11:04:53
English(EN) COSMOS: Model-Agnostic Personalized Federated Learning with Clustered Server Models and Pseudo-Label-Only Communication

COSMOS框架通过伪标签通信增强个性化联邦学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的框架COSMOS，旨在增强异构环境中的个性化联邦学习。这种模型无关的方法利用伪标签通信，允许客户端训练本地模型并在公共数据上进行预测。然后，服务器根据预测相似性对客户端进行聚类，训练特定于聚类的模型，并将它们蒸馏回客户端。理论分析表明，该方法可以实现指数级的个性化风险收缩，优于现有的模型无关联邦学习基线，并与最先进的个性化联邦学习技术相媲美。 AI

影响 该框架可以实现更具可扩展性和更有效的个性化联邦学习，尤其是在客户端模型和数据多样化的环境中。

排序理由 该集群包含一篇详细介绍联邦学习新框架的学术论文。[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 →

COSMOS框架通过伪标签通信增强个性化联邦学习

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Ben Rachmut, Luise Ge, William Yeoh, Ning Zhang, Yevgeniy Vorobeychik ·

    COSMOS: Model-Agnostic Personalized Federated Learning with Clustered Server Models and Pseudo-Label-Only Communication

    arXiv:2605.11165v3 Announce Type: replace Abstract: Federated learning (FL) in heterogeneous environments remains challenging because client models often differ in both architecture and data distribution. While recent approaches attempt to address this challenge through client cl…

相关实体

相关话题