公平去中心化学习
原文中文，约300字，阅读约需1分钟。发表于：。本研究解决了去中心化学习中，由于训练数据特征空间高度异质性而导致的模型效用降低和公平性问题，特别是对于数据不足的节点。作者提出了一种名为\textsc{Facade}的聚类基础算法，该算法能够动态分配节点到不同特征的聚类中，从而实现公平的模型训练。实验结果表明，与最先进的基线方法相比，\textsc{Facade}在模型准确性和公平性方面具有显著优势，并显著降低了通信成本。
本研究提出了一种名为Facade的算法，解决去中心化学习中因数据特征空间异质性导致的模型效用和公平性问题。该算法通过动态聚类分配节点，实现公平训练。实验表明，Facade在模型准确性和公平性上优于现有方法，并降低了通信成本。
