研究人员开发了FedCC，这是一种旨在通过解决标签分布偏斜来改进联邦学习的新算法。在基于蒸馏的联邦学习中，客户端在公共数据上共享预测，但不同的本地数据集可能导致模型出现偏差。FedCC允许客户端将模糊的样本标记为“未知”，这与校准后的伪标签相结合，有助于平衡置信度和不确定性。实验表明，FedCC的性能显著优于现有方法，尤其是在标签偏斜严重的情况下，在基线接近随机的情况下，在极端情况下达到了67.3%的准确率。 AI
影响 提高了联邦学习模型在数据分布不平衡场景下的鲁棒性。
排序理由 该集群包含一篇详细介绍联邦学习新算法的学术论文。
在 Hugging Face Daily Papers 阅读 →
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2608.23031v1 Announce Type: cross Abstract: Federated Learning (FL) enables distributed clients to collaboratively train models without sharing raw data, making it promising for leveraging massive devices in communication networks. In distillation-based FL, each client appl…
Federated Learning (FL) enables distributed clients to collaboratively train models without sharing raw data, making it promising for leveraging massive devices in communication networks. In distillation-based FL, each client applies its local model on an unlabeled public dataset…