联邦学习全局模型和个性化模型的现状与展望OA
【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)。
评论