一篇新的研究论文介绍了一种名为自包含新鲜度加权 Gossip (SFG) 的新方法，这是一种新颖的去中心化联邦学习 (DFL) 方法，旨在更有效地处理客户端掉线问题。与仅对接收到的模型进行折扣的现有方法不同，SFG 会考虑客户端在掉线后重新上线时自身模型的陈旧性。所提出的方法强调将陈旧性衡量为继承的滞后而非年龄，并应用急剧的折扣来缓解持续的滞后，在图像基准测试中表现优于标准的 DFL 和信息年龄规则。 AI
影响 提高了去中心化学习模型对客户端断开连接的鲁棒性，有可能实现更可靠的设备端 AI 训练。
排序理由 介绍去中心化学习新方法的论文。
在 Hugging Face Daily Papers 阅读 →
- age-of-information rules
- arXiv
- Decentralised federated averaging
- Decentralised federated learning
- gossip learning
- Hugging Face
- Self-inclusive Freshness-weighted Gossip
- SFG-Cut
- SFG-L
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
