实体
Decentralised federated learning
Decentralised federated learning
PulseAugur coverage of Decentralised federated learning — every cluster mentioning Decentralised federated learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新的 Gossip 协议解决了去中心化学习中的客户端掉线问题
一篇新的研究论文介绍了一种名为自包含新鲜度加权 Gossip (SFG) 的新方法，这是一种新颖的去中心化联邦学习 (DFL) 方法，旨在更有效地处理客户端掉线问题。与仅对接收到的模型进行折扣的现有方法不同，SFG 会考虑客户端在掉线后重新上线时自身模型的陈旧性。所提出的方法强调将陈旧性衡量为继承的滞后而非年龄，并应用急剧的折扣来缓解持续的滞后，在图像基准测试中表现优于标准的 DFL 和信息年龄规则。
-
新研究探索时序网络上的去中心化联邦学习
两篇新研究论文探讨了去中心化联邦学习（DFL）的进展，这是一种无服务器的协作机器学习方法。第一篇论文关注时序网络，揭示了由于未考虑网络异质性，典型的DFL实验可能会高估收敛速度。第二篇论文介绍了一种名为PaME的新算法，该算法通过仅在节点之间交换稀疏坐标来降低通信成本并解决数据异质性问题，在温和的假设下实现了线性收敛率。