FedProx
PulseAugur coverage of FedProx — every cluster mentioning FedProx across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
新的FDRMFL框架增强了在非独立同分布数据上的多模态联邦回归
研究人员推出了一种新颖的框架FDRMFL，专为联邦回归任务中的多模态特征提取而设计，特别解决了非独立同分布（non-IID）数据带来的挑战。该框架采用了一个包含四个项的局部目标函数：MSE预测损失、互信息代理、用于跨模态分布对齐的对称KL惩罚项，以及用于将局部表示锚定到全局共识的对比损失。在合成和真实世界数据集上的实验表明，FDRMFL的有效性，与PCA和VAE等传统方法相比，平均MSE显著降低，并且优于FedAvg和FedProx等…
-
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…
-
新框架通过去中心化联邦学习增强电动汽车电池智能
一篇新研究论文介绍了一种名为ABC-DFL的去中心化联邦学习框架，该框架专为电动汽车（EV）电池智能设计。该系统旨在通过区块链和一种新颖的动态法定人数拜占庭容错（QBFT）协议取代传统的中心化聚合，从而增强安全性和信任度。该框架包括FLECA，一个分层聚合协议，用于过滤恶意更新，并使用鲁棒的集群化来聚合来自可信电动汽车群组的模型更新，在对抗性场景中展示了优于现有防御的性能。
-
ChainLearn框架使用区块链实现容量感知的联邦学习
研究人员开发了ChainLearn，一个用于联邦集成学习的新框架，解决了参与机构之间计算能力差异的挑战。该系统使用区块链技术来管理策略和存储指标，而链下学习和加权集成方法则适应不同的医院硬件。实验表明，与传统的联邦学习方法相比，ChainLearn在通信开销显著降低的情况下实现了具有竞争力的准确性。
-
NVIDIA FLARE 教程在非独立同分布数据上比较 FedAvg 和 FedProx
本教程演示了如何使用 NVIDIA FLARE 实现和比较 FedAvg 和 FedProx 联邦学习算法。实验采用了非独立同分布 (non-IID) 的 CIFAR-10 数据集，通过使用狄利克雷分布划分数据来模拟客户端之间现实的标签不平衡。该指南详细介绍了设置 NVFlare 环境、定义用于本地训练和模型交换的客户端脚本，以及可视化全局模型在训练轮次中的准确率进展。
-
新的电动汽车电池智能框架使用区块链进行去中心化学习
研究人员开发了一个名为 ABC-DFL 的新框架，用于互联电动汽车 (EV) 的去中心化联邦学习。该系统利用区块链取代传统的中心化服务器，并结合了拜占庭容错协议和一种称为 FLECA 的分层聚合方法。FLECA 可过滤掉来自电动汽车的恶意更新，确保电动汽车更安全、更自动化的电池智能，并在针对对抗性攻击的模拟中表现出强大的性能。