EMNIST Balanced

新研究探讨了联邦学习在隐私、效率和鲁棒性方面的进展 · 跟踪9个来源

arXiv上发表的多篇研究论文探讨了联邦学习的进展，重点在于提高其效率、隐私性和鲁棒性。其中一篇论文分析了异构数据上顺序联邦学习的收敛性，表明其优于并行方法。另一篇论文介绍了一种使用紧凑适配和可变长度高斯通信的隐私对齐个性化联邦学习方法。进一步的研究提出了一个联邦随机游走平均框架，以减轻无线网络中的数据异构性和传输错误，以及一个名为FedLTLib的基准，用于标准化联邦长尾学习的评估。