新的 FedStop 框架优化联邦学习中的本地训练轮次

作者 PulseAugur 编辑部 · [1 个来源] · 2026-10-16 04:00

研究人员开发了一个名为 FedStop 的新联邦学习框架，该框架可以优化每个客户端上的本地训练轮次数量。FedStop 不使用固定的轮次数量，而是将本地训练视为一个最优停止问题，客户端在预期损失减少量大于客户端漂移增加量时进行训练。这种方法旨在提高模型准确性，特别是对于性能较低的客户端，并在 CIFAR-10 数据集上与 FedAvg、ALT 和 FLASH 等现有方法相比，取得了具有竞争力或更优的结果。 AI

影响这项研究为优化联邦学习提供了一种新颖的方法，有望提高分布式系统中的模型性能和效率。

排序理由该集群包含一篇详细介绍新理论框架和优化联邦学习实证的学术论文。[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: 14 / 100; Composite score across the factors below. Higher = stronger signal that this story matters right now.
Newsworthiness bucket: Tool; 该集群包含一篇详细介绍新理论框架和优化联邦学习实证的学术论文。[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, other; 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) · Ke Xiao, Qiyuan Wang, Christos Anagnostopoulos · 2026-10-16 04:00

局部周期作为最优停止：联邦学习中的理论与证据

arXiv:2610.21832v1 Announce Type: new Abstract: How long should each client train before communicating? Federated learning usually answers with a fixed, hand-tuned number of local epochs, yet an extra epoch helps only while the loss it removes outweighs the client drift it adds. …

本文如何被排名

报道来源 [1]

局部周期作为最优停止：联邦学习中的理论与证据

相关实体

相关话题