面向实例自适应的联邦学习推理
原文中文，约300字，阅读约需1分钟。发表于：。该论文提出了一种新颖的 FL 算法（FedIns）来处理 FL 框架中的内部客户数据异质性，并通过在 FL 框架中实现实例自适应推理来减少内部客户和跨客户之间的异质性，实验证明 FedIns 在 Tiny-ImageNet 上比现有 FL 算法表现更好（多于 6.64% 的性能提升，且通信成本不到 15%），代码和模型将在公开发布。
该文介绍了一种新的FL算法FedIns，用于处理FL框架中的内部客户数据异质性，并通过实例自适应推理减少内部客户和跨客户之间的异质性。实验证明FedIns在Tiny-ImageNet上比现有FL算法表现更好，性能提升超过6.64%，通信成本不到15%。代码和模型将公开发布。
