平衡信息与动态更新的原型表示联邦学习

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

摘要：联邦学习（FL）是一种分布式机器学习方法，旨在通过训练模型而不共享客户之间的原始数据来解决隐私问题。然而，跨客户端数据的异构性会阻碍FL 中的优化收敛性和泛化性能。为了解决这个问题，本文提出了平衡信息与动态更新的联邦原型学习（BD-FedProto）框架，它由两个组件组成：原型调度的动态聚合（DA）和对比原型聚合（CPA）。（剩余13744字）

试读结束

目录
monitor