一篇题为“更快地得到错误答案:联邦优化中本地更新的代价”的新研究论文探讨了联邦学习中的权衡。该研究提交至arXiv,分析了本地计算如何改进联邦更新,但也会引入偏差,可能导致次优结果。研究人员在特定条件边界下表征了最小的最坏情况偏差,并证明某些本地更新策略可以达到此边界。 AI
影响 强调了联邦学习中潜在的偏差,为研究人员优化模型收敛性和准确性提供了信息。
排序理由 该集群包含一篇发表在arXiv上的研究论文,详细介绍了联邦优化的理论分析。[lever_c_demoted from research: ic=1 ai=1.0]
- alphaXiv
- arXiv
- CatalyzeX
- Connected Papers
- DagsHub
- Faster to the Wrong Answer: The Price of Local Updates in Federated Optimization
- Gotit.pub
- Hugging Face
- IArxiv
- Litmaps
- ScienceCast
- Scite
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →