English(EN) Assessing the Impacts of Imperfect Datasets on Client Selections in Federated Learning

联邦学习研究探讨不完美数据集和客户选择

作者 PulseAugur 编辑部 · [1 个来源] · 2026-08-04 04:00

本研究论文调查了不完美数据集对联邦学习框架内客户选择的影响。该研究量化了非独立同分布数据、嘈杂数据集和公平性考量对模型准确性和收敛速度的影响。为应对这些挑战，作者提出了一种新颖的隐私保护评分方法，用于评估联邦学习中单个客户的贡献，并通过实验验证证明了其有效性。 AI

影响增进了对分布式人工智能训练中数据质量问题的理解。

排序理由关于联邦学习方法学的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

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

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yuan-Heng Tsai, Li-Hsing Yen, Yan-Wei Chen · 2026-08-04 04:00

Assessing the Impacts of Imperfect Datasets on Client Selections in Federated Learning

arXiv:2608.02250v1 Announce Type: new Abstract: Federated learning (FL) is a popular distributed learning framework where multiple clients perform local training and a server aggregates the locally updated models. FL enables decentralized training while preserving the privacy of …