两篇新研究论文探讨了通过优化客户端选择来提高联邦学习效率的方法。第一篇论文 FedCSGA 使用遗传算法联合考虑客户端之间的统计和系统异质性，在基准数据集上展示了高达 7.0% 的准确率提升和更快的收敛速度。第二篇论文 Connectivity-Aware Client Selection 将谱图工具应用于去中心化联邦学习，在保持具有竞争力的准确率的同时，通信开销减少了 50%，尤其是在数据异质性很强的情况下。 AI
影响 这些方法旨在降低联邦学习环境中的通信成本并提高模型性能，有可能在资源受限的环境中加速其采用。
排序理由 两篇在 arXiv 上发表的学术论文，详细介绍了联邦学习客户端选择的新颖方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
arXiv:2611.04667v2 Announce Type: replace Abstract: Federated Learning (FL) enables collaborative training of machine learning models across distributed clients while preserving data privacy. In practical deployments, FL relies on selecting a client subset in each communication r…
arXiv:2610.41570v1 Announce Type: new Abstract: Decentralized federated learning (DFL) has emerged as a scalable alternative to centralized federated learning, removing the single point of failure and communication bottleneck at the server. However, most existing decentralized ap…