Die Autoren stellen eine zweistufige Methode des Föderierten Lernens vor, um die Herausforderungen von Langzeitverteilungen und nicht-IID-Daten zu adressieren.
In der ersten Stufe verwenden sie eine auf maskierten lokalen Merkmalsstatistiken basierende Clustering-Methode (MFSC), um geeignete Clients für die Modellzusammenführung auszuwählen. Dies soll die Konvergenzrate beschleunigen und das Merkmalslernen verbessern, ohne die Privatsphäre zu gefährden.
In der zweiten Stufe generieren sie basierend auf globalen Merkmalsstatistiken synthetische Merkmale, um den globalen Klassifikator umzuschulen. Dabei wenden sie Neugewichtung der Kovarianz und Neuabtastung an, um die Anpassungsfähigkeit des Modells an Langzeitverteilungen zu erhöhen.
Die Experimente auf CIFAR10-LT und CIFAR100-LT zeigen, dass die vorgeschlagene Methode die Genauigkeit und Konvergenzrate im Vergleich zu State-of-the-Art-Methoden verbessert.
In un'altra lingua
dal contenuto originale
arxiv.org
Approfondimenti chiave tratti da
by Zhuoxin Chen... alle arxiv.org 03-14-2024
https://arxiv.org/pdf/2403.08364.pdfDomande più approfondite