为了缓解联邦学习中跨不同用户终端数据非独立同分布(non-IID) 引起的负面影响,
该文提出一种基于谱聚类的傅里叶个性化联邦学习算法. 具体地, 构建一个面向图像分类识别的 …

To relieve the negative impacts caused by non-Independent and Identically Distributed (non-
IID) data across different clients in federated learning, a spectral clustering-based Fourier …

为了解决联邦学习过程中数据异质性导致模型性能下降的问题, 考虑对联邦模型个性化,
提出了一种新的基于相似度加速的自适应聚类联邦学习(ACFL) 算法, 基于客户端本地更新的 …

物联网(IoT) 设备资源存在高度异构性, 严重影响联邦学习(FL) 的训练时间和精度.
已有研究未充分考虑物联网设备资源的异构性, 且缺乏异构设备间协同训练机制的设计 …

近年来, 为了打破数据“壁垒”, 联邦学习被广泛关注. 联邦学习不需要客户端上传原始数据就能
完成模型训练, 保护了用户的隐私. 针对客户端设备具有异构性的问题, 考虑各个客户端对加速 …

联邦学习是一种分布式机器学习范式, 中央服务器通过协作大量远程设备训练一个最优的全局
模型. 目前联邦学习主要存在系统异构性和数据异构性这两个关键挑战. 本文主要针对异构性 …

联邦学习应用场景中, 常面临客户端数据异质性和不同任务需求需要提供个性化模型的问题,
而现有的部分个性化联邦学习中存在个性化与全局泛化的权衡问题, 并且采用传统FL …

In this paper, we explore the challenges associated with federated learning, a distributed
machine learning paradigm that promotes collaborative model training while preserving the …

针对车联网联邦学习服务难以满足用户训练个性化模型的需求, 提出一种创新性的车联网联邦
学习模型定制化服务框架. 该框架采用了一种融合设备贡献度和数据集相似性的联邦学习聚合 …

联邦学习是一种新型的分布式机器学习范式, 它在满足用户隐私和数据保密性要求的前提下,
充分利用众多分散客户端的计算能力及其本地数据联合训练机器学习模型 …