在联邦学习中学习异构的性能-公平性权衡

本研究针对联邦学习中的性能-公平性权衡问题，提出了一种新的方法HetPFL，以有效学习局部和全局Pareto前沿。通过自适应地确定客户的最佳偏好采样分布和进行偏好感知的超网络融合，HetPFL显著提升了学习到的Pareto前沿的质量，线性收敛性证明了其优越性。

本研究提出了一种新方法HetPFL，旨在解决联邦学习中的性能与公平性权衡问题。通过自适应客户偏好采样和超网络融合，显著提升了Pareto前沿的质量，并证明了其线性收敛性。

HetPFL 公平性 性能 线性收敛性 联邦学习
原文中文，约400字，阅读约需1分钟。发表于：。
阅读原文
分享给好友