一篇新研究论文分析了多变量联邦平均的复杂性,特别是在客户端可以选择多个最优“头部”时。该研究提出了一个自然选择规则,即客户端返回最接近广播头部的头部,这可以通过具有消失近端惩罚的全局最小化来实现。研究表明,在某些条件下,共享的Gram矩阵收敛于客户端Gram矩阵的Bures-Wasserstein重心,并且校正机制可以恢复中心化的最优Gram矩阵。 AI
影响 这项研究为提高联邦学习模型的稳定性和准确性提供了理论框架和实际校正方法。
排序理由 该集群包含一篇关于特定机器学习技术的详细学术论文。
在 Hugging Face Daily Papers 阅读 →
- arXiv
- Bures-Wasserstein barycenter
- Federal University of Minas Gerais
- Federated Averaging
- Federated Regression
- Gram dynamics
- Gram matrices of reproducing kernel Hilbert spaces over graphs IV. (Quadratic inequalities for graph Laplacians)
- Hugging Face
- Unconstrained Feature Model
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →