PulseAugur
中
实时 18:55:46
English(EN) Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs

新的 FedMITR 框架增强了 ViTs 的单次联邦学习

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员开发了一个名为 FedMITR 的新框架，以改进单次联邦学习，特别是在高度非独立同分布 (non-IID) 数据的情况下。该方法通过采用稀疏模型反演来关注有意义的图像块并避免背景噪声，从而解决了现有方法生成的低质量合成数据的问题。此外，FedMITR 还采用了一种用于 Vision Transformers (ViTs) 的 Token 重标号策略，通过区分高信息密度和低信息密度块来增强预测鲁棒性。 AI

影响 引入了一个新颖的框架，以在具有挑战性的 non-IID 数据场景中提高联邦学习性能，可能增强隐私保护的模型训练。

排序理由 发布了一篇详细介绍联邦学习新框架的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

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

新的 FedMITR 框架增强了 ViTs 的单次联邦学习

报道来源 [1]

  1. arXiv cs.AI TIER_1 English(EN) · Xun Yang ·

    Provable Sparse Inversion and Token Relabel Enhanced One-shot Federated Learning with ViTs

    One-Shot Federated Learning, where a central server learns a global model in a single communication round, has emerged as a promising paradigm. However, under extremely non-IID settings, existing data-free methods often generate low-quality data that suffers from severe semantic …

相关实体

相关话题