English(EN) Mitigating Heterogeneity-Induced Drift in Hierarchical Sign-Based Federated Learning

新框架解决分层联邦学习中的数据异质性问题

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-15 04:00

研究人员开发了一个新的分层联邦学习框架，以解决不同集群之间数据异质性问题。提出的DC-HierSignSGD算法使用基于二进制符号的随机梯度下降，并结合云辅助校正机制来减轻偏差，提高模型的稳定性和准确性。该方法旨在实现与全精度方法相当的性能，同时显著降低通信开销，尤其是在大规模物联网系统中。 AI

排序理由这是一篇详细介绍联邦学习新算法的研究论文。[lever_c_demoted from research: ic=1 ai=1.0]

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.LG TIER_1 English(EN) · Amirreza Kazemi, Seyed Mohammad Azimi-Abarghouyi, Gabor Fodor, Carlo Fischione · 2026-06-15 04:00

Mitigating Heterogeneity-Induced Drift in Hierarchical Sign-Based Federated Learning

arXiv:2602.02355v2 Announce Type: replace-cross Abstract: Hierarchical federated learning (HFL) is well suited for large-scale wireless and Internet of Things systems, where devices communicate with nearby edge servers before reaching the cloud. In these environments, uplink band…