研究人员推出了一种名为接收器感知子空间自适应 (RASA) 的新框架,旨在通过根据个体客户端需求定制模型更新来改进联邦学习。与专注于通用矩阵重建的现有方法不同,RASA 考虑了更新在多大程度上保留了对特定客户端输入的响应,即使这些输入需要较低能量的方向。该方法使用主成分分析在接收器加权更新响应上进行优化,以在秩约束内优化知识转移。实验表明,RASA 在各种数据集和任务上提高了准确性,优于标准方法。 AI
影响 通过根据个体客户端资源约束和数据需求定制模型更新,提高了联邦学习的效率。
排序理由 该集群包含一篇详细介绍联邦学习新方法的 ist 研究论文。[lever_c_demoted from research: ic=1 ai=1.0]
- DomainNet-100
- federated learning
- FlexLoRA
- GLUE
- LoRA
- NICO++
- principal component analysis
- RASA
- Receiver-Aware Subspace Adaptation
- SuperNI
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →