BriefGPT - AI 论文速递
·
基于双向筛选的联邦学习在部分类别不相交数据上的应用
💡
原文中文，约200字，阅读约需1分钟。
📝
内容提要
本研究提出了FedLabel方法，通过全局模型或本地模型对未标记数据进行伪标记，利用全局模型和本地模型的知识，通过全局-本地一致性正则化提高模型泛化能力。该方法不需要额外专家、通信参数，也不需要服务器标记数据或完全标记的客户端数据，并在跨设备和跨网络隔离设置中表现优于其他半监督联邦学习方法和完全监督方法。
🎯
关键要点
- 提出了FedLabel方法，适用于标签有限的本地数据情况。
- 通过全局模型或本地模型对未标记数据进行伪标记。
- 利用全局模型和本地模型的知识，提高模型的泛化能力。
- 该方法不需要额外的专家和通信参数。
- 不需要服务器标记数据或完全标记的客户端数据。
- 在跨设备和跨网络隔离设置中表现优于其他半监督联邦学习方法和完全监督方法。
➡️
