HFedCKD：通过无数据知识蒸馏与双向对比实现稳健的异构联邦学习

本研究解决了现有联邦学习框架静态建模的问题，采用基于无数据知识蒸馏和双向对比的异构联邦方法（HFedCKD），提升了参与客户端的贡献评估和知识集成的公平性。研究结果表明，HFedCKD有效缓解了低参与率带来的知识偏差，提升了模型的性能和稳定性，并在图像和物联网数据集上验证了其广泛的适用性和鲁棒性。

本研究提出了一种异构联邦学习方法HFedCKD，解决了静态建模问题，提升了客户端贡献评估的公平性，缓解了低参与率导致的知识偏差，增强了模型的性能和稳定性。

HFedCKD 客户端贡献 异构联邦学习 模型性能 联邦学习 静态建模
原文中文，约300字，阅读约需1分钟。发表于：。
阅读原文
分享给好友