实体
Federated Learning (FL)
Federated Learning (FL)
PulseAugur coverage of Federated Learning (FL) — every cluster mentioning Federated Learning (FL) across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 3 条
-
新框架增强了车辆的联邦学习能力
研究人员开发了一个名为AERO-HMTFL的新框架，以改进车辆 ad hoc 网络 (VANETs) 中的联邦学习。该系统通过采用分层、多任务方法，解决了异构任务、间歇性连接和高移动性等挑战。AERO-HMTFL采用了一种拆分模型架构，其中仅交换共享的自动编码器参数，而特定任务的头部则保留在本地，从而提高了准确性并减少了通信轮次。
-
新的MESH-FL框架提高了边缘设备的联邦学习压缩率
研究人员开发了MESH-FL，一个用于边缘设备联邦学习的新型框架，该框架利用熵引导压缩来处理多模态模型。该方法根据谱熵自适应地分配不同层、模态和设备上的压缩秩，旨在在有效载荷约束下优化性能。在树莓派集群上进行的实验表明，与标准的FedAvg相比，MESH-FL可以在提高准确性和减少数据传输的同时，实现显著的压缩比。
-
LLM指导联邦图推荐系统以提高准确性
研究人员开发了一个新的框架，该框架利用大型语言模型（LLM）来增强联邦图推荐系统。该方法通过使用LLM编码的知识来指导过程，解决了在联邦学习中聚合分布式、非IID客户端的结构嵌入的挑战。客户端通过冻结的LLM学习本地图表示并将交互模式总结为语义向量，然后中央服务器利用这些向量发现相关的偏好模式并选择性地聚合结构表示。实验表明，该方法比现有的联邦图基线提高了推荐准确性。