FedReason

LLM 在联邦学习中动态选择聚合规则

研究人员开发了 FedReason，一种利用大型语言模型 (LLM) 在联邦学习中动态选择聚合规则的新方法。FedReason 不依赖于固定的规则，而是使用 LLM 分析客户端模型并在每十轮生成用于聚合的 Python 代码。该方法在处理异构数据分布和拜占庭客户端方面显示出潜力，在某些场景下优于 FedAvg 等传统方法。该系统的成本极低，API 费用平均每运行 60 轮为 0.79 美元。