实体
Non-IID
Non-IID
PulseAugur coverage of Non-IID — every cluster mentioning Non-IID across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 3
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 3
层级分布 · 90 天
主题
最近 · 第 1/1 页 · 共 3 条
-
去中心化学习研究探讨拓扑和数据动力学 · 跟踪到2个来源
两篇新研究论文探讨了去中心化学习的动力学,重点关注网络拓扑和数据分布如何影响模型性能。第一篇论文通过在CIFAR-10上比较环状、静态随机图和一种称为局部优先启发式演化(LFHE)的局部自适应过程等不同网络结构,研究了客户端数量的扩展如何影响学习。研究发现,通信结构显著影响学习结果,固定的局部数据集大小可以减轻一些人口扩展的惩罚。第二篇论文更详细地介绍了LFHE,将其作为一个有界的局部拓扑搜索框架,仅使用邻居和朋友的朋友信息。该方法旨…
-
Google 通过 TEE 增强联邦学习隐私;新 arXiv 论文探讨模型合并和效率
Google Research 开发了一个新的联邦学习系统,通过可信执行环境 (TEE) 增强隐私,实现可验证的数据匿名化和更快的训练。该系统已在 Gboard 中实现,建立在先前差分隐私和安全聚合工作的基础上。与此同时,多篇 arXiv 论文探讨了联邦学习的进展,包括具有预训练权重的模型合并技术、处理非 IID 数据和动态客户端参与的框架、渐进式分辨率安全聚合、用于提高效率的潜在信息共享以及用于安全和通信优化的压缩方法。
-
新的联邦学习方法应对模型异构和数据缺失问题
两篇新的研究论文介绍了联邦学习的新方法,解决了模型异构和模态缺失的挑战。FedTopo 专注于共享类别关系拓扑,以克服客户端之间的架构差异,并在实验中优于现有方法。FedTaste 通过使用冻结的基础模型创建全局结构蓝图,并使用轻量级提示和谱一致性正则化来适应缺失模态的客户端,来解决多模态联邦学习中数据缺失的问题。