特征标准化正则化的联邦学习:将不均衡的分布转化为全局洞察
原文中文,约400字,阅读约需1分钟。发表于: 。在联邦学习领域,解决非独立同分布的数据问题一直是提高全局模型性能的一个重要挑战。本文提出了特征范数正则化联邦学习(FNR-FL)算法,通过独特地结合类平均特征范数来增强在非独立同分布场景下的模型准确性和收敛性。我们的综合分析发现,相比其他现代联邦学习算法,FNR-FL 不仅加快了收敛速度,而且在特征分布不均衡的情况下显著提高了测试准确率。FNR-FL...
本文介绍了特征范数正则化联邦学习(FNR-FL)算法,通过类平均特征范数的独特组合,提高了模型准确性和收敛性。FNR-FL在特征分布不均衡的情况下,加快了收敛速度并显著提高了测试准确率。FNR-FL的模块化设计使其能与现有联邦学习框架无缝集成,具有广泛应用潜力。实证评估表明,FNR-FL在不均衡数据分布下表现出色,相较于FedAvg,准确率提升了66.24%,训练时间减少了11.40%,具有提高效果和效率的优势。