实体
Office-Caltech
Office-Caltech
PulseAugur coverage of Office-Caltech — every cluster mentioning Office-Caltech across labs, papers, and developer communities, ranked by signal.
总计 · 30天
2
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
2
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
2 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
新框架通过知识蒸馏简化联邦域自适应
研究人员推出了一种新颖的一次性联邦无监督域自适应框架 SKD-ETR。该方法通过减少通信轮次并提高对噪声标签的鲁棒性，解决了现有联邦学习方法中的挑战。SKD-ETR 采用平滑知识蒸馏，利用源模型的平滑伪标签在目标域上训练学生模型，同时基于指数移动平均的教师精炼将知识传回源模型。在 OfficeHome 和 DomainNet 等基准数据集上的实验表明，SKD-ETR 在提高效率和鲁棒性的同时，取得了具有竞争力的性能。
-
新的联邦学习方法应对异构边缘设备 · 已追踪 2 个来源
两篇新的研究论文提出了用于异构边缘设备联邦学习的新方法。FedSAP 引入了结构化自适应分区，允许客户端根据资源预算和数据域将模型容量分配给全局、私有或丢弃池。HO-FL 提出了一种混合阶优化策略，对内存受限的底层使用零阶优化，对顶层使用一阶优化，以平衡性能和内存使用。这两种方法都旨在提高在具有不同硬件和数据分布的分布式学习环境中的模型准确性和效率。