懒惰但有效：具有异构数据的协作个性化联邦学习

本研究解决了联邦学习中由于客户数据分布异质性导致的单一全局模型对个别客户性能欠佳的问题。本文提出了一种简单有效的个性化联邦学习框架（pFedLIA），通过计算效率高的影响近似方法“懒惰影响”在聚合模型前对客户进行分布式聚类。研究表明该方法在多个真实和合成场景中成功恢复了全球模型的性能，显著改善了现有基准结果。

本研究提出了一种个性化联邦学习框架（pFedLIA），旨在解决客户数据分布异质性对全局模型性能的影响。通过“懒惰影响”方法进行分布式聚类，显著提升了模型性能。

个性化联邦学习 全局模型 分布式聚类 懒惰影响 数据分布 联邦学习
原文中文，约300字，阅读约需1分钟。发表于：。
阅读原文
分享给好友