研究人员开发了一个名为CRAFT（Conflict-Resolved Aggregation for Federated Training）的新框架，以解决联邦学习中的一个关键挑战：聚合来自不同客户端的冲突更新。传统方法可能会降低某些客户端的性能，同时改进全局模型。CRAFT将聚合重新定义为一个几何校正问题，找到一个与参考方向一致并同时尊重客户端特定约束的更新。这种方法提供了一个封闭形式的解决方案，避免了复杂的迭代求解器，并提高了全局模型准确性和客户端级别的性能一致性。 AI
影响 引入了一种新颖的聚合方法，以提高联邦学习模型的性能并减少模型之间的差异。
排序理由 该集群包含一篇详细介绍联邦学习新方法的学术论文。
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。
The aggregation of conflicting client updates remains a fundamental bottleneck in federated learning (FL) under heterogeneous data distributions. Naive averaging can produce a global update that improves the global objective while conflicting with specific clients, causing degrad…
The aggregation of conflicting client updates remains a fundamental bottleneck in federated learning (FL) under heterogeneous data distributions. Naive averaging can produce a global update that improves the global objective while conflicting with specific clients, causing degrad…