SPARK方法通过稳定的NTK更新加速去中心化联邦学习

研究人员开发了SPARK，一种在异构数据条件下提高去中心化联邦学习（DFL）收敛速度和稳定性的新方法。SPARK利用分阶段退火的软标签正则化器结合动量来加速神经切线核（NTK）更新，而NTK在这些场景中传统上面临不稳定的挑战。所提出的方法在各种数据分布和网络设置下，与现有基线相比，收敛速度提高了3倍，通信量减少了约70%，同时保持了更高的准确性，显示出显著的改进。 AI

影响 增强了去中心化人工智能模型训练的效率和稳定性，有可能在多样化数据集上实现更强大的协作学习。

排序理由 该集群包含一篇在arXiv上发表的研究论文，详细介绍了一种新的联邦学习方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• SPARK
• arXiv
• DagsHub
• Decentralized federated learning
• federated learning
• Hugging Face
• IArxiv
• Li Xia
• neural tangent kernels

• 论文
• 基础设施

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