BriefGPT - AI 论文速递
·
一种高效的平衡感知联邦学习方法用于可穿戴医疗设备的自回归比例观察
原文中文，约300字，阅读约需1分钟。
📝
内容提要
该文介绍了一个新的联邦学习框架FedImT，专门解决联邦学习场景中的类别不平衡问题。该框架包含一个在线方案，可以在每轮聚合期间估计数据组成，并引入一种自衰减迭代等价物来跟踪多个估计值的变化，并及时调整损失计算的平衡，以解决少数类别的问题。实验证明了该框架在解决不平衡问题上的有效性，同时没有额外的能源消耗和隐私风险。
🎯
关键要点
-
提出了一个新的联邦学习框架 FedImT，专门解决类别不平衡问题。
-
FedImT 包含一个在线方案，可以在每轮聚合期间估计数据组成。
-
引入自衰减迭代等价物来跟踪多个估计值的变化。
-
及时调整损失计算的平衡，以解决少数类别的问题。
-
实验证明 FedImT 在解决不平衡问题上的有效性。
-
FedImT 在解决问题时没有额外的能源消耗和隐私风险。
🏷️
