首页|期刊导航|数据与计算发展前沿|联邦学习全局模型和个性化模型的现状与展望

联邦学习全局模型和个性化模型的现状与展望OA

中文摘要

【目的】联邦学习是目前的研究热点,本文从模型架构角度出发综述近年来联邦学习方法的研究和进展。【文献范围】本文采用关键词检索和引文二次检索的方法从国际计算机类期刊、会议中收集论文。【方法】在简单讨论联邦学习的定义、架构以及三种异质性问题的基础上,从模型架构角度出发,将联邦学习算法分为学习全局模型和学习个性化模型两大类,进一步讨论两大类别中的联邦学习方法所用数据集、对异构问题的解决以及方法优缺点。【结果】现有的联邦学习方法,可以学习泛化性能强大的全局…查看全部>>

修涵文;李贺;曹荣强;万萌;李凯;王彦棡

中国科学院计算机网络信息中心,北京100083 中国科学院大学,计算机科学与技术学院,北京100049中国科学院计算机网络信息中心,北京100083 中国科学院大学,计算机科学与技术学院,北京100049中国科学院计算机网络信息中心,北京100083 中国科学院大学,计算机科学与技术学院,北京100049中国科学院计算机网络信息中心,北京100083 中国科学院大学,计算机科学与技术学院,北京100049中国科学院计算机网络信息中心,北京100083 中国科学院大学,计算机科学与技术学院,北京100049中国科学院计算机网络信息中心,北京100083 中国科学院大学,计算机科学与技术学院,北京100049

计算机与自动化

联邦学习个性化模型全局模型异构问题

《数据与计算发展前沿》 2024 (1)

P.113-124,12

国家重点研发计划“人工智能算力算法数据一体化开放服务平台建设”(2020AAA0105202)。

10.11871/jfdc.issn.2096-742X.2024.01.011

评论

您当前未登录!去登录点击加载更多...