FedMap：迭代基于幅度修剪的通信高效联邦学习
原文中文，约400字，阅读约需1分钟。发表于：。FedMap 是一种新颖的方法，通过协作学习逐渐稀疏全局模型，从而提高联邦学习系统的通信效率，适用于对隐私至关重要的医疗和金融领域。它采用迭代的振幅剪枝方法训练全局模型，以减少通信开销，避免了参数重新激活问题，实现了稳定的性能表现。FedMap 在多样的设置、数据集、模型架构和超参数中进行了广泛评估，证明了在 IID 和非 IID 环境下的性能，并相较于基线方法，FedMap...
FedMap是一种通过协作学习稀疏全局模型的新方法，提高联邦学习系统的通信效率。它使用迭代的振幅剪枝方法训练全局模型，实现稳定的性能表现。FedMap在多样的设置、数据集、模型架构和超参数中进行了广泛评估，证明了在IID和非IID环境下的性能，并相较于基线方法，FedMap能够达到更稳定的客户端模型性能，并在不降低准确性的情况下至少实现80%的剪枝。
