個性化聯邦學習

登入

洞見 - 個性化聯邦學習

FedSub 透過基於類別的原型和子網路融合，解決了聯邦學習中資料異質性的問題，實現了更精準的個性化模型訓練。

本文提出了一種名為 FedCKD 的新型個性化聯邦學習方法，透過結合全局模型的廣義知識和歷史模型的個性化知識，有效地解決了災難性遺忘問題，並在各種數據集和實驗設置中展現出優於現有方法的性能。

本文分析了 FedProx 中個性化程度對模型準確性和效率的影響，證明了通過自適應調整個性化程度，FedProx 能在不同統計異質性下達到近似最優的統計準確性，並在不增加計算成本的前提下降低通訊成本。

本文提出了一種名為 FedLAG 的新型個性化聯邦學習方法，透過分析和利用層級梯度衝突，自適應地解耦模型層級，以區分通用特徵和個性化任務，從而提升模型在非獨立同分布數據場景下的表現。

提出一個個性化聯邦學習框架pFedGRP,能夠在流動資料異質性和受限儲存空間的情況下,同時實現個性化聚合、緩解遺忘效應和提高模型泛化能力。

關於我們

產品

資源