具有自适应个性化层的联邦分阶段解耦
原文中文，约300字，阅读约需1分钟。发表于：。我们介绍了一种名为 FedTSDP 的两阶段解耦式联邦学习算法，其中根据推理输出和模型权重两次进行客户端聚类。采用了修正的 Hopkins 采样来确定聚类的适时，并且使用公共未标记数据的采样权重。此外，我们开发了一种简单但有效的方法，根据不同程度的数据倾斜自适应调整个性化层。实验结果表明，我们提出的方法在 IID 和非 IID 场景下具有可靠的性能。
本文介绍了FedTSDP算法，一种两阶段解耦式联邦学习算法。该算法通过推理输出和模型权重两次进行客户端聚类，并采用修正的Hopkins采样来确定聚类的适时，并使用公共未标记数据的采样权重。实验结果表明，该方法在IID和非IID场景下具有可靠的性能。
