Verbesserung des föderalen Lernens durch unvollständige Daten mit Hilfe von GAN
FLIGAN, ein neuartiger Ansatz, um das Problem der Datenvollständigkeit im föderalen Lernen anzugehen, indem Generative Adversarial Networks (GANs) verwendet werden, um synthetische Daten zu erzeugen, die die realen Daten genau nachahmen, und diese Daten dann zur Verbesserung der Robustheit und Vollständigkeit der Datensätze über die Knoten hinweg zu verwenden.