面向异构数据的个性化联邦多任务学习优化方法OA北大核心CSTPCD
联邦学习是一种新兴的分布式机器学习范式,在保护数据隐私的同时协作训练全局模型,但也面临着在数据异构情况下全局模型收敛慢、精度低的问题。针对上述问题,提出一种面向异构数据的个性化联邦多任务学习优化(federated multi-task learning optimization,FedMTO)算法。在包含全局任务和本地任务的多任务学习框架下,考虑个性化联邦优化问题。首先,FedMTO采用参数分解的思想,通过学习自适应分类器组合权重来协调全局分类…查看全部>>
李可;王晓峰;王虎
北方民族大学计算机科学与工程学院,银川750021北方民族大学计算机科学与工程学院,银川750021 北方民族大学图形图像智能处理国家民委重点实验室,银川750021北方民族大学计算机科学与工程学院,银川750021
计算机与自动化
联邦学习异构数据个性化多任务学习参数分解公平性
《计算机应用研究》 2024 (9)
P.2641-2648,8
国家自然科学基金资助项目(62062001)宁夏青年拔尖人才项目(2021)。
评论