BriefGPT - AI 论文速递
·
DFDG:无数据双生成对抗蒸馏的一次性联邦学ä¹
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
该研究提出了一种新的联邦学习框架，利用无标签的开放数据集和基于蒸馏的半监督学习算法，实现了模型的交流和性能的提高，并通过减少模型之间的异质性来减少熵的平均值。实验结果表明，相对于FL基准，DS-FL能降低高达99%的通信成本，同时达到相似甚至更高的分类准确性。
🎯
关键要点
- 提出了一种新的联邦学习框架
- 利用无标签的开放数据集和基于蒸馏的半监督学习算法
- 实现了模型的交流和性能的提高
- 通过减少模型之间的异质性来降低熵的平均值
- 实验结果显示DS-FL相对于FL基准能降低高达99%的通信成本
- DS-FL在分类准确性上达到相似甚至更高的水平
➡️
