面向异构数据的个性化联邦多任务学习优化方法

  • 打印
  • 收藏
收藏成功
微博 QQ空间 微信


打开文本图片集

摘 要：

联邦学习是一种新兴的分布式机器学习范式，在保护数据隐私的同时协作训练全局模型，但也面临着在数据异构情况下全局模型收敛慢、精度低的问题。针对上述问题，提出一种面向异构数据的个性化联邦多任务学习优化（federated multi-task learning optimization，FedMTO）算法。（剩余15510字）

试读结束

目录
monitor
客服机器人