量化分层联邦学习:统计异质性的鲁棒方法
原文中文,约300字,阅读约需1分钟。发表于: 。本文提出了一种新颖的分层联邦学习算法,其在多个集合中结合了量化进行通信效率,并且展示了对统计异质性的鲁棒性。与传统的分层联邦学习算法不同,我们的方法将集合内迭代中的梯度聚合与集合间迭代中的模型聚合相结合。我们提供了一个全面的分析框架来评估其最优性差距和收敛速度,并将这些方面与传统算法进行比较。此外,我们还提出了一个问题形式化解决方案以推导出最优的系统参数。我们的研究结果表明,我们的算法在一系...
本文提出了一种新颖的分层联邦学习算法,结合了量化通信效率,并对统计异质性具有鲁棒性。该方法将梯度聚合与模型聚合相结合,通过全面的分析框架评估其最优性差距和收敛速度,并与传统算法进行比较。研究结果表明,在一系列参数下,该算法始终能够实现高学习准确率,并在具有异构数据分布的场景中明显优于其他分层算法。