Clustered Federated Learning: Model-Agnostic Distributed Multitask Optimization Under Privacy Constraints
PulseAugur coverage of Clustered Federated Learning: Model-Agnostic Distributed Multitask Optimization Under Privacy Constraints — every cluster mentioning Clustered Federated Learning: Model-Agnostic Distributed Multitask Optimization Under Privacy Constraints across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的FLAMECHE方法增强了集群联邦学习中的隐私保护
研究人员推出了一种新颖的集群联邦学习（CFL）方法FLAMECHE，该方法解决了隐私、通信成本和计算效率之间的固有权衡。FLAMECHE将基于元数据的CFL重新表述为分布式期望最大化（EM）过程，允许进行加性服务器更新，并与安全联邦学习方案兼容。实验表明，FLAMECHE提高了客户端模型的有效性，并改善了CFL三难困境的平衡。
-
新的博弈论方法增强了簇状联邦学习的稳定性
研究人员开发了一种新的簇状联邦学习联盟形成方法，旨在实现稳定且经济可行的参与者分组。他们的方法利用了可转移盈余模型和享乐偏好系统，以确保参与者有动力加入并留在其分配的联盟中。该博弈论框架保证了纳什稳定划分的存在，并证明了他们的机制在实证研究中实现了最优福利。
-
新型聚类联邦学习方法提升Wi-Fi流量预测能力
研究人员开发了一种新的聚类联邦学习（CFL）方法，以改进托管Wi-Fi网络中的流量预测。该方法通过采用两步聚类程序来解决识别用于接入点（AP）模型分组的信息量聚类这一挑战。该方法优先考虑信息量，并以差分熵量化，以选择最佳聚类解决方案。结果表明，与其他分布式策略相比，这种CFL工具实现了更优越的预测性能和更低的通信及能源消耗，仅在显著提高准确性时成本略有增加。
-
新的联邦学习方法使用随机网络蒸馏进行客户端聚类
研究人员开发了一种新的聚类联邦学习方法，该方法解决了跨客户端非同分布数据带来的挑战。所提出的方法利用随机网络蒸馏基于预测误差来估计客户端相似性，从而在主要训练阶段之前发现客户端组。这种将聚类与学习过程分离的做法，使得大规模分布式系统能够在无需预先指定集群数量或协作结构的情况下实现自主协作。
-
新方法推动个性化联邦学习和联邦遗忘
研究人员开发了几种新方法来增强个性化联邦学习（PFL），这是一种允许AI模型从分布式数据中学习同时保持客户端特定适应性的技术。例如，CLoVE使用客户端损失向量嵌入来识别和分离客户端集群，优化特定于集群的模型。pFedUL通过区分共享层和个性化模型层的策略来解决PFL中的联邦遗忘问题，以遵守GDPR等隐私法规。此外，DC-CFL通过分析数据协作提供了一种单轮集群联邦学习方法，而FedSPC则引入了一种共享参数校正方法来提高PFL模型的一致性。