FedStop

新的 FedStop 框架优化联邦学习中的本地训练轮次

研究人员开发了一个名为 FedStop 的新联邦学习框架，该框架可以优化每个客户端上的本地训练轮次数量。FedStop 不使用固定的轮次数量，而是将本地训练视为一个最优停止问题，客户端在预期损失减少量大于客户端漂移增加量时进行训练。这种方法旨在提高模型准确性，特别是对于性能较低的客户端，并在 CIFAR-10 数据集上与 FedAvg、ALT 和 FLASH 等现有方法相比，取得了具有竞争力或更优的结果。