捕获全局特征统计用于一次性联邦学习

本研究解决了传统联邦学习中多轮通信所带来的高通信成本和隐私攻击风险等问题。通过提出一种新颖的联邦学习算法FedCGS，利用预训练模型捕获全局特征统计，实现了一次性联邦学习的训练无需求和对数据异质性的抵抗。实验结果表明，该方法在不同的数据异质性设置下表现出色，具有广泛的应用潜力。

本研究提出了一种新型联邦学习算法FedCGS，旨在解决传统方法中的高通信成本和隐私风险。该算法通过预训练模型捕获全局特征，实现一次性训练，表现优异，具有广泛的应用潜力。

FedCGS 统计 联邦学习 通信成本 隐私风险 预训练模型
原文中文，约200字，阅读约需1分钟。发表于：。
阅读原文
分享给好友