PulseAugur
中
实时 07:02:01
English(EN) FedOGL: Combating Catastrophic Forgetting in Federated Open-World Multimodal Graph Learning

FedOGL框架对抗联邦图学习中的灾难性遗忘

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了FedOGL，一个旨在对抗联邦开放世界多模态图学习中灾难性遗忘的新框架。该方法旨在使客户端能够从私有图数据中学习新类别，同时保留历史知识并拒绝未知样本。FedOGL在客户端使用重放和任务起始蒸馏来保留过去的决策行为，并利用投影到共享结构基础上来保护图传播记忆。在服务器端，它维护紧凑的类别原型，用于跨客户端知识共享，而不暴露原始数据。实验表明，与现有方法相比，FedOGL将灾难性遗忘造成的性能下降降低了42.67%。 AI

影响 该框架可以提高处理不断演变数据的去中心化AI系统的鲁棒性和效率。

排序理由 这是一篇详细介绍特定机器学习问题新框架的研究论文。[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 →

FedOGL框架对抗联邦图学习中的灾难性遗忘

报道来源 [1]

  1. arXiv cs.LG TIER_1 English(EN) · Zekai Chen, Haodong Lu, Shihao Li, Weiwei Ji, Xunkai Li, Xun Wu, Yinlin Zhu, Rong-Hua Li ·

    FedOGL：在联邦开放世界多模态图学习中对抗灾难性遗忘

    arXiv:2607.27665v1 Announce Type: new Abstract: Federated graph learning enables collaborative training over decentralized graph data without sharing raw graph information. As such risks evolve, clients must learn emerging classes from private multimodal graph streams, retain his…

相关实体

相关话题