实体
One-Shot Federated Learning
One-Shot Federated Learning
PulseAugur coverage of One-Shot Federated Learning — every cluster mentioning One-Shot Federated Learning across labs, papers, and developer communities, ranked by signal.
总计 · 30天
1
90 天内 2
发布 · 30天
0
90 天内 0
论文 · 30天
1
90 天内 2
层级分布 · 90 天
主题
情绪 · 30 天
1 天有情绪数据
最近 · 第 1/1 页 · 共 2 条
-
FedDoG框架使用扩散模型提升单次联邦学习性能
研究人员推出FedDoG,一个新颖的无训练框架,通过利用服务器端预训练的扩散模型来增强单次联邦学习(OSFL)。该方法通过合成与个体客户端分布一致的数据,解决了客户端数据异构且通信轮次有限的挑战。FedDoG通过提取紧凑的域表示并使用预训练的图像条件适配器进行视觉引导,显著降低了客户端的计算和通信成本。实验表明,FedDoG生成的合成图像质量更高,分类准确性得到提升,并大幅缩短了客户端上传和计算时间。
-
新框架对单次联邦学习中的特征进行对齐
研究人员推出了一种新颖的框架 SLOT-Align,旨在协调单次联邦学习 (OSFL) 中的特征表示。该方法解决了由异构客户端数据分布带来的挑战,特别是现有 OSFL 技术难以纠正的域偏移和标签偏移。SLOT-Align 采用共享的冻结编码器和最优传输图来高效地对齐局部表示,在各种基准测试中展示了准确性和鲁棒性的一致性改进。