DualFed:通过分层表示在联邦学习中实现泛化与个性化共享
原文约300字,阅读约需1分钟。发表于: 。在个性化联邦学习中,我们提出了一种新的方法 DualFed,通过利用深度模型的层级结构,选择多个表示并将它们合并,同时实现模型的泛化和个性化,从而在不牺牲性能的情况下解决了原有方法中计算成本高的问题。
本文提出了一个新的联邦学习框架和算法,利用跨客户的分布式计算能力,在线性设置中高效地降低问题维度。实验证明该方法获得与地面实况表示的线性收敛,并在异构数据的联邦环境中相对于个性化联邦学习方法有经验改进。