聚类 FedStack:具有贝叶斯信息准则的中间全球模型
基于已发布的堆叠联邦学习(FedStack)框架,本研究提出了一种新颖的聚类联邦堆叠(Clustered FedStack)框架,通过采用三种聚类机制,并结合贝叶斯信息准则(BIC)和循环学习率方法,能有效克服联邦学习中的数据分布不同和标签不平衡的问题,优于基准模型的性能。
该文介绍了一种名为 SphereFed 的联邦学习框架,通过使用球面限制措施解决了非独立分布数据的处理问题,并在最小化损失函数的过程中进行联邦学习,最终实现进一步的分类器校准。