基于动态图学习的个性化联邦学习

本研究解决了个性化联邦学习(PFL)中由于客户端本地数据分布差异导致模型性能不佳的问题。论文提出了一种新颖的方法，即基于图注意力网络的个性化联邦学习(pFedGAT)，该方法捕捉客户端之间的潜在图结构并动态确定其他客户端对每个客户端的重要性，从而更细致地控制聚合过程。实验结果表明，pFedGAT在多种数据分布场景下的性能优于十二种最新方法。