GAPSL

新的GAPSL框架增强了异构边缘系统中的联邦学习

研究人员开发了GAPSL，一个用于并行拆分学习的新框架，旨在改善具有异构数据的边缘计算系统中的联邦学习。GAPSL通过引入两个组件来解决由设备间不一致的梯度方向引起的训练发散：领导者梯度识别（LGI）和梯度方向对齐（GDA）。LGI选择一个鲁棒的领导者梯度，而GDA使用正则化将客户端梯度与该领导者对齐，从而增强模型的收敛性和鲁棒性。实验表明，GAPSL在准确性、收敛速度和系统弹性方面优于现有基准。