FEAST框架增强了异构资源客户端的联邦学习能力

研究人员推出了一种新颖的联邦学习框架FEAST，旨在适应计算资源各异的客户端。FEAST训练一个单一的弹性模型（或称“超网”），通过同时学习多个子网络来适应不同客户端的预算。这种方法确保了参数能够被更广泛的客户端访问，从而提高了异构环境下的准确性。在CIFAR-100等数据集上的实验结果表明，FEAST的性能显著优于现有的权重共享方法，实现了更高的总体平均准确率，并减少了模型参数的传输量。 AI

影响 提高了具有不同计算能力的设备的联邦学习效率，有望改善异构环境下的模型性能。

排序理由 这是一篇详细介绍联邦学习新框架的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• arXiv
• CIFAR-100
• CINIC-10
• DeepFedNAS
• federated learning
• SuperFedNAS
• TinyImageNet-200

• 论文
• 基础设施

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