BriefGPT - AI 论文速递
·
Mitigating Client Drift at the Sample Level in Federated Learning
💡
原文英文，约100词，阅读约需1分钟。
📝
内容提要
本研究提出FedBSS方法，针对联合学习中的数据异质性引起的客户端漂移问题，通过动态选择样本来缓解样本级异质性，从而提升模型训练的稳定性和性能。
🎯
关键要点
- 本研究提出FedBSS方法，旨在解决联合学习中的数据异质性导致的客户端漂移问题。
- 客户端漂移的根源在于当地样本偏置的积累。
- FedBSS方法通过动态选择样本的策略来缓解样本级异质性。
- 该方法提高了模型训练的稳定性和性能。
- 研究证明FedBSS在处理特征分布偏差和噪声标签数据集方面具有可扩展性与鲁棒性。
➡️
