非独立同分布数据隐私灵活联合学习的近似梯度编码
原文中文，约400字，阅读约需1分钟。发表于：。该研究针对非独立同分布数据和联邦学习中的慢节点 / 失联节点的挑战进行了探讨，提出了一种灵活的隐私范式，将部分客户端的本地数据建模为非私有数据，从而在隐私方面提供了更多样化且以企业为导向的视角。同时，该研究通过结合离线数据共享和近似梯度编码技术，提出了一种基于数据驱动的策略，用于减轻标签异质性和客户端慢速运行对联邦学习的影响。通过使用 MNIST...
该研究探讨了非独立同分布数据和联邦学习中的慢节点/失联节点的挑战，并提出了一种灵活的隐私范式。通过离线数据共享和近似梯度编码技术，提出了一种基于数据驱动的策略，用于减轻标签异质性和客户端慢速运行对联邦学习的影响。通过数值模拟证明了该方法的有效性。
