分散式联邦学习的调度和通信方案
原文中文,约400字,阅读约需1分钟。发表于: 。分布式机器学习模式中的分布式学习是指许多客户端与中央服务器协同工作,以学习模型而无需共享自己的训练数据。本文介绍了一种采用随机梯度下降算法的分散式联邦学习(DFL)模型,作为一种更可伸缩的方法,以改善带有任意拓扑结构的代理网络中的学习性能。针对客户端和并行服务器之间的通信,提出了三种 DFL 调度策略,并在完全分散的 SGD...
本文介绍了一种采用随机梯度下降算法的分散式联邦学习(DFL)模型,用于改善代理网络中的学习性能。实验中测试了三种DFL调度策略的收敛性、准确性和损失,结果显示调度策略对收敛速度和全局模型有影响。