PulseAugur
中
实时 08:20:25
English(EN) SUM: Unified Geometric Surgery on Spatio-Temporal Adaptation Vectors for Federated Class Incremental Learning

新的SUM框架解决了联邦类增量学习的挑战

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员推出了一种新颖的服务器端框架SUM，旨在解决联邦类增量学习（FCIL）的挑战。该方法通过将客户端和任务更新视为共享参数空间中的自适应向量来解决时空灾难性遗忘（ST-CF）问题。SUM在聚合过程中对这些向量进行几何手术，以减轻干扰，而不会增加客户端的计算或内存需求。实证结果表明，SUM在各种基准测试中比现有的FCIL方法取得了显著的改进。 AI

影响 这项研究可以提高在分布式环境中持续学习的AI系统的效率和有效性。

排序理由 该集群包含一篇详细介绍机器学习新方法的学术论文。[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 →

新的SUM框架解决了联邦类增量学习的挑战

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Jaeik Kim, Jaeyoung Do ·

    SUM：用于联邦类增量学习的时空自适应向量的统一几何手术

    arXiv:2607.19384v1 Announce Type: new Abstract: Real-world intelligent systems often require both distributed collaboration across data-isolated clients and continual adaptation to evolving tasks. This setting naturally gives rise to Federated Class Incremental Learning (FCIL), w…

相关实体

相关话题