Effiziente Verarbeitung und Analyse heterogener Daten in föderiertem Lernen durch varianzbasierte Prototypenlernung

Die Kernaussage dieses Artikels ist, dass die Autoren eine neuartige Methode, FedPLVM, entwickelt haben, um die Herausforderungen des föderierter Lernens mit heterogenen Daten zu adressieren. FedPLVM verwendet ein zweistufiges Prototypencluster-Verfahren, um die Varianzinformationen der Daten zu erfassen, und führt einen neuartigen α-Spärlichkeits-Prototypenverlust ein, um die Lernleistung über verschiedene Domänen hinweg auszugleichen.