FedAdam
PulseAugur coverage of FedAdam — every cluster mentioning FedAdam across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
联邦学习策略在临床死亡率预测方面进行比较
研究人员使用 MIMIC-IV 数据集对几种用于预测院内死亡率的联邦学习策略进行了基准测试。研究发现，FedProx 在 AUC-ROC 和 AUC-PR 方面表现最佳，优于 FedAvg 和 FedAdagrad 等其他策略。然而，没有一种策略在所有指标上都占主导地位，并且集中式基线模型仍然取得了优越的性能。研究还强调，全局模型不能平等地服务于所有个体护理单元，这表明在联邦学习应用中需要关注客户特定的异构性。
-
FoggyTrust 利用分层信任网络增强联邦学习的鲁棒性
研究人员开发了 FoggyTrust，这是 FLTrust 框架的一种新颖的分层扩展，旨在增强联邦学习的鲁棒性。这种新方法将信任计算本地化到雾节点，从而在保持本地客户端组内鲁棒性的同时，更有效地处理全局异构数据。FoggyTrust 结合了基于信任的本地聚合和异构感知优化器（如 FedAdam 和 SCAFFOLD），在具有挑战性的异构数据集（如 CIFAR-10）上，尤其是在特定攻击下，表现出显著的性能提升。
-
联邦学习在医疗生存分析领域展现潜力 · 追踪2个来源
一篇新论文评估了联邦学习在医疗生存分析中的应用，特别是在跨多个机构的乳腺癌数据集上。该研究使用FedAvg、FedProx和FedAdam等联邦优化策略，比较了三种生存模型（Cox比例风险模型、DeepSurv和Random Survival Forest）。结果表明，联邦学习方法在保护患者隐私的同时，其性能可以媲美甚至超越集中式方法。Random Survival Forest模型在准确性和鲁棒性方面取得了最佳平衡，其性能受到客户端…