用于联邦学习的一次性聚类

本研究解决了联邦学习中个性化模型交付的客户端聚类问题，尤其是在资源分配和数据异质性背景下。提出的“一次性聚类联邦学习”（OCFL）算法能够自动检测聚类的最佳时机，并通过计算客户端梯度之间的余弦相似度来实现。实验结果表明，该方法在多个任务上的自动化聚类表现良好，无需调整超参数，具备了显著的实用价值。

本研究提出了一种一次性聚类联邦学习（OCFL）算法，旨在解决个性化模型交付中的客户端聚类问题。该算法通过计算客户端梯度的余弦相似度，自动检测最佳聚类时机。实验结果表明，其在多个任务中表现优异，具有实用价值。

OCFL 个性化模型客户端联邦学习聚类