通过层次è®ç»ƒå’Œæ·±åº¦ä¸¢å¼ƒè§£å†³èµ„æºå—é™æ¡ä»¶ä¸‹çš„è”邦å¦ä¹ 原文约200字，阅读约需1分钟。发表于：2023-09-11T00:00:00Z。 大型机器学习模型通过联合学习和层级学习以解决资源限制问题，并在边缘设备上有效地训练更大型的模型，同时保持与传统联合学习相当的性能。 研究发现，将联邦学习框架应用于更深的神经网络时，性能会显著下降，主要原因是由于不同客户端模型之间的不一致性逐步积累，称为“发散累积”。提出了减少发散的技术指南，如使用更宽的模型和减少接受场，这些方法可以大大提高联邦学习在更深层次上的准确性。 准确性 发散累积 技术指南 神经网络 联邦学习
