BriefGPT - AI 论文速递
·
带标签平滑与均衡去中心化训练的联邦领域泛化
💡
原文中文，约300字，阅读约需1分钟。
📝
内容提要
本研究提出了一种新方法FedSB，旨在解决联邦学习中的数据异质性问题。通过标签平滑和均衡去中心化训练，提升了模型的跨领域泛化能力，实验结果表明其优于现有方法。
🎯
关键要点
- 本研究提出了一种新方法FedSB，旨在解决联邦学习中的数据异质性问题。
- FedSB通过标签平滑防止对特定领域特征的过拟合，提高跨不同领域的泛化能力。
- 该方法采用均衡的去中心化预算机制，改善聚合模型的性能。
- 实验结果表明，FedSB在四个多领域数据集中的表现优于现有方法。
- FedSB展示了其在解决数据异质性方面的有效性。
➡️
