Core Concepts
Verbesserung der Gruppenvernetzung zur Steigerung der Verallgemeinerung in föderiertem Deep Learning.
Abstract
Das Paper untersucht die Verbesserung der Verallgemeinerung im föderierten Deep Learning durch die Gruppenvernetzung. Es wird die Transitivität der linearen Modusvernetzung (LMC) und der Gruppenvernetzung verifiziert. FedGuCci und FedGuCci+ werden vorgeschlagen, um die Gruppenvernetzung zu verbessern und die Verallgemeinerung zu steigern. Experimente zeigen, dass die Methoden die Verallgemeinerung über verschiedene Einstellungen verbessern können.
Directory:
Einleitung
FL als verteiltes Training
Herausforderungen der Verallgemeinerung
Grundlagen und relevante Arbeiten
FL und LMC
Verwandte Arbeiten
Transitivität der Konnektivität
Hypothesen und theoretische Analysen
Empirische Validierung
Experimente
Ergebnisse auf verschiedenen Datensätzen und Modellen
Sensitivitätsanalyse für Hyperparameter
Experimente mit vortrainierten Modellen
Ergebnisse auf NLP-Datensätzen
Zusammenfassung und Schlussfolgerung
Stats
Die Transitivity of LMC wird durch die Verbindung von Modellen verbessert.
FedGuCci und FedGuCci+ steigern die Verallgemeinerung in verschiedenen Einstellungen.
Quotes
"Die Transitivity of LMC wird durch die Verbindung von Modellen verbessert."
"FedGuCci und FedGuCci+ steigern die Verallgemeinerung in verschiedenen Einstellungen."