BriefGPT - AI 论文速递
·
针对不诚实客户的联邦学习本地数据量感知加权平均
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究提出了一种新的联邦数据量感知加权平均方法(FedDua)，旨在解决不诚实客户因报告不准数据量而导致的模型偏差问题。实验结果显示，FedDua在数据量声明不准确的情况下，全球模型性能平均提升3.17%。
🎯
关键要点
- 本研究提出了一种新的联邦数据量感知加权平均方法(FedDua)。
- FedDua旨在解决不诚实客户因报告不准数据量而导致的模型偏差问题。
- 该方法能够基于客户上传的本地模型梯度准确预测训练数据量。
- FedDua可以无缝集成于现有的联邦学习算法中。
- 实验结果显示，FedDua在数据量声明不准确的情况下，全球模型性能平均提升3.17%。
➡️
