SuperFedNAS

FEAST框架增强了异构资源客户端的联邦学习能力

研究人员推出了一种新颖的联邦学习框架FEAST，旨在适应计算资源各异的客户端。FEAST训练一个单一的弹性模型（或称“超网”），通过同时学习多个子网络来适应不同客户端的预算。这种方法确保了参数能够被更广泛的客户端访问，从而提高了异构环境下的准确性。在CIFAR-100等数据集上的实验结果表明，FEAST的性能显著优于现有的权重共享方法，实现了更高的总体平均准确率，并减少了模型参数的传输量。