Luise Gestring

COSMOS框架通过伪标签通信增强个性化联邦学习

研究人员推出了一种新颖的框架COSMOS，旨在增强异构环境中的个性化联邦学习。这种模型无关的方法利用伪标签通信，允许客户端训练本地模型并在公共数据上进行预测。然后，服务器根据预测相似性对客户端进行聚类，训练特定于聚类的模型，并将它们蒸馏回客户端。理论分析表明，该方法可以实现指数级的个性化风险收缩，优于现有的模型无关联邦学习基线，并与最先进的个性化联邦学习技术相媲美。