FedCG

新的HeteRo-Select框架通过优先考虑数据信息量来优化联邦学习

研究人员为联邦学习系统开发了一个名为HeteRo-Select的新框架，该框架在梯度压缩中优先考虑数据信息量而非链路速度。这种方法旨在解决非独立同分布（non-IID）数据场景中带宽和数据信息量可能不匹配的问题。通过使用信息量分数来指导客户端选择、压缩率和服务器聚合权重，HeteRo-Select在速度方面取得了显著的改进，并减少了流量，即使在这些信号被故意反相关的情况下，其表现也优于带宽驱动的方法。