研究人员开发了 FedSGA，一个新颖的拆分联邦学习 (SFL) 框架，旨在优化在具有不同数据分布和适应速度的客户端上的模型训练。与使用静态拆分的传统 SFL 方法不同，FedSGA 采用客户端特定的浅层充分性估计。该方法使用私有提示令牌来跟踪本地适应，并使用浅层充分性估计器，该估计器考虑语义对齐、接口稳定性和提示状态变化，以确定最浅的拆分是否足够。实验表明，与现有方法相比，FedSGA 提高了模型性能并减少了计算量。 AI
影响 引入了一种更有效的联邦学习方法，有可能在去中心化和异构数据上实现更好的模型训练。
排序理由 详细介绍一种新的联邦学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
