BriefGPT - AI 论文速递
·
在联邦学习中学习异构的性能-公平性权衡
💡
原文中文，约400字，阅读约需1分钟。
📝
内容提要
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。
🎯
关键要点
- 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。
- HetPFL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。
- 研究证明了HetPFL的线性收敛性，显示其优越性。
➡️
