FedACS

新的FedACS方法解决了联邦学习中的异构性问题

研究人员开发了一种名为联邦异构感知客户端采样（FedACS）的新方法，以解决由客户端能力多样性引起的联邦学习中的不一致问题。该方法首次对联邦学习中的通信和计算异构性进行了统一的理论分析。FedACS在理论上保证以O(1/sqrt(R))的速率收敛到正确的优化值，并在实验中展示了显著的性能提升，将通信成本降低了高达89%，计算负载降低了高达105%。