针对边缘设备领域异质性的稳健联邦学习

本研究针对联邦学习中由于领域异质性导致的全局模型收敛问题，提出了一种通过原型增强的框架以提升模型的泛化能力。通过引入联邦增强原型对比学习（FedAPC），该方法增强了特征的多样性和模型的稳健性，实验结果表明该框架在性能上显著优于现有的先进技术。

本研究提出了一种原型增强框架，旨在解决联邦学习中因领域异质性导致的全局模型收敛问题。通过引入联邦增强原型对比学习（FedAPC），显著提升了模型的泛化能力和稳健性，实验结果表明其性能优于现有技术。

对比学习 模型收敛 泛化能力 联邦学习 领域异质性
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