Federated Averaging
PulseAugur coverage of Federated Averaging — every cluster mentioning Federated Averaging across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的量子联邦学习方法应对噪声设备
研究人员开发了一种新的量子联邦学习方法，以应对噪声和异构量子设备带来的挑战。该方法利用混合态几何张量的Bures度量和平均Uhlmann曲率，更好地处理参数不兼容和客户端不可靠性问题。在囚禁离子量子模拟器上的实证测试表明，该技术即使在设备异构性很强的情况下也能保持高精度，并且显著优于在强噪声下表现不佳的标准联邦平均法。
-
新框架通过高效联邦学习提升息肉分割能力
研究人员开发了QFedPolyp，一个旨在提高息肉分割效率的新型联邦学习框架。该框架结合了感知量化训练和低精度模型通信，显著降低了传输成本和推理时间。通过在本地训练轻量级U-Net模型并传输量化参数，QFedPolyp能够在不损害分割精度的前提下，实现医院间的隐私保护协作。
-
新研究为局部 SGD 算法提供了更紧的收敛率
研究人员发表了一篇论文，详细介绍了局部 SGD（也称为联邦平均）的分布式优化算法的更紧收敛率。该研究侧重于二阶异质性有界的情况，证明了一个猜想，该猜想将算法的效率扩展到一般凸目标。研究结果提供了对局部 SGD 性能更精确的理论理解，并包括在该设置下算法的改进下界。
-
研究发现：联邦平均模型在非独立同分布数据下保留了表征但出现错位
一篇新的研究论文探讨了在非独立同分布（non-IID）客户端数据上训练的联邦平均（FedAvg）模型所出现的性能下降问题。该研究在卷积神经网络（CNN）和ResNet模型上，使用CIFAR-10和Fashion-MNIST数据集进行，发现虽然某些类别的准确率显著下降，但底层学习到的表征通常保持完整，只是与最终预测路径发生错位。研究利用了线性探测（linear probing）和仅微调头部（head-only finetuning）等方…
-
联邦学习框架以97%的准确率增强5G干扰检测能力
研究人员开发了一个联邦学习框架，用于检测5G网络中的射频（RF）干扰攻击。该方法使用同步信号块（SSB）的同相（In-phase）和正交（Quadrature）样本来训练一维卷积神经网络（CNN），从而在不共享原始信号数据的情况下，实现用户设备之间的协作模型训练。联邦学习方法达到了97%的准确率和F1分数，在保护用户隐私的同时，性能优于集中式机器学习模型。