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 …

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 …

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 …

传统的中心化联邦学习需要一个受信赖的中央服务器负责模型聚合, 容易产生单点故障.
现有的去中心化联邦学习方案通常在每个迭代周期临时选举出一个节点负责模型的聚合 …

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 …

Heterogeneous federated learning without assuming any structure is challenging due to the
conflicts among non-identical data distributions of clients. In practice, clients often comprise …

Federated learning (FL) is an effective approach to train models collaboratively among
distributed edge nodes (ie, workers) while facing three crucial challenges, edge …

The influence of non-Independent Identically Distribution (non-IID) data on Federated
Learning (FL) has been a serious concern. Clustered Federated Learning (CFL) is an …

摘要联邦学习是一种多设备参与的, 保护数据隐私的深度学习技术. 它能够在私有数据不出本地
的同时训练全局共享模型. 然而, 在复杂的物联网环境中, 联邦学习面临着统计异构性和系统异构 …

摘要近年来, 联邦学习作为解决数据孤岛问题的技术被广泛关注, 已经开始被应用于金融,
医疗健康以及智慧城市等领域. 从3 个层面系统阐述联邦学习算法. 首先通过联邦学习的定义 …