English(EN) CALM: Class-wise Agreement and Label-gated Disagreement Modulation for Decentralized Federated Learning

CALM 方法通过类一致性改进去中心化联邦学习

作者 PulseAugur 编辑部 · [1 个来源] · 2026-09-10 04:00

研究人员推出了一种新颖的去中心化联邦学习方法 CALM，该方法可提高模型性能，尤其是在非独立同分布（non-IID）数据条件下。与依赖参数平均且需要相同客户端架构的传统方法不同，CALM 采用去中心化联邦蒸馏。此方法允许客户端从同伴模型快照中提取知识，无需中央服务器或共享架构。CALM 进一步通过引入三级信任门来优化此过程：基于一致性的类加权、基于教师发散的样本加权以及基于真实标签支持调整蒸馏强度的标签门。在 CIFAR-10 和 SVHN 等数据集上，使用异构客户端架构和狄利克雷标签偏斜进行测试，CALM 与均匀和硬过滤蒸馏方法相比，表现更优。 AI

影响在非独立同分布数据的去中心化联邦学习场景中提高模型性能。

排序理由该项目是一篇研究论文，详细介绍了一种新的联邦学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

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

本文如何被排名

Signal score: 12 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该项目是一篇研究论文，详细介绍了一种新的联邦学习方法。[lever_c_demoted from research: ic=1 ai=1.0]
Source corroboration: Single-source cluster; Only one publisher covered this so far. Single-source stories can still rank when the publisher is high-authority, but they lack cross-source corroboration.
Topics: paper, infra; Editorial topic classification. Feeds into how the story surfaces on /topic/<slug> hub pages and into the per-entity coverage mix.
AI-industry relevance: High; Clearly on-topic for AI-industry coverage.
Story freshness: Breaking (< 6h); Fresh story with cross-source coverage still developing. Ranking may shift as more sources report.

完整方法见我们的编辑标准。

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Yifan Ying, Qing Tian · 2026-09-10 04:00

CALM：用于去中心化联邦学习的类间一致性和标签门控不一致性调制

arXiv:2609.05884v1 Announce Type: new Abstract: Conventional federated learning relies on parameter averaging, which forces clients to be doubly homogeneous: all must run an identical architecture, and accuracy degrades when local data are non-IID. Decentralized federated distill…

本文如何被排名

报道来源 [1]

CALM：用于去中心化联邦学习的类间一致性和标签门控不一致性调制

相关实体

相关话题