通过提示驱动的特征转换解决联邦学习中的特征 - 分类器不匹配
原文中文，约700字，阅读约需2分钟。发表于：。传统联邦学习方法中的全局模型在面对数据异质性时表现欠佳。个性化联邦学习（PFL）使客户能够训练适应其本地数据分布的个性化模型。然而，我们惊讶地发现 FedAvg 中的特征提取器优于大多数 PFL 方法的特征提取器。更有趣的是，通过对特征提取器提取的局部特征进行线性变换以与分类器对齐，FedAvg 可以超越大部分 PFL 方法。这表明 FedAvg...
研究发现传统联邦学习方法在面对数据异质性时表现欠佳。FedAvg中的特征提取器优于大多数个性化联邦学习方法的特征提取器。通过线性变换对特征进行对齐，FedAvg可以超越大部分PFL方法。为解决不匹配问题并增强特征提取器质量，提出了一种名为FedPFT的新型PFL框架。实验证明，FedPFT的性能超过了最先进的方法，提高了7.08%。
