联邦学习中新发现标签粒度偏斜挑战

研究人员提出了联邦学习中的一个新挑战——标签粒度偏斜，即分层图像分类任务中的客户端提供不同详细程度的标签。为解决此问题，他们开发了一种方法，使用概率关系邻居分类器生成本地标签层级，并使用对不完全监督更具鲁棒性的条件softmax分类器。提出的分支解耦微调（BDFT）及其联邦版本FedBDFT在鲁棒性方面显示出显著改进，在CIFAR-100和ImageNet等数据集上，在严重偏斜情况下平均增益高达56.4%。 AI

影响 在联邦学习中引入了一个新挑战，可能需要新的方法来进行鲁棒的分层分类。

排序理由 该条目是一篇研究论文，详细介绍了联邦学习中的一个新挑战和提出的解决方案。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Branch-wise Decoupled Fine-Tuning
• CIFAR-100
• conditional softmax classifier
• FedBDFT
• federated learning
• Hierarchical image classification in the bioscience literature
• ImageNet
• label granularity skew
• probabilistic relational neighbor classifier
• TinyImageNet
• WordNet

• 论文
• 其他

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