.png){kind=icon}
返回
Evolutionary cross-client network aggregation for personalized federated learning
.png){kind=icon}
PRE
AI
DOI：10.1016/j.knosys.2024.112866.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
个性化联邦学习（PFL）能够在分散数据上训练机器学习模型，同时确保用户隐私。尽管具有这些优势，现有的PFL算法主要关注模型架构和通信问题，往往忽视了在解决陷入局部最优问题时效率和适应性的关键方面。本研究提出了一种创新解决方案，通过引入进化跨客户端聚合方法来克服这一限制。我们的方法旨在增强非独立同分布（non-IID）FL设置中个性化模型的性能。通过利用客户端模型多样性并采用基于变异的跨客户端聚合，我们生成新的架构，这些架构随后在FL过程中进行本地训练。我们通过在基准数据集上的实验评估了所提出方法的有效性，并将其性能与其他FL方法进行了比较。结果表明，我们的方法具有优越性，达到了85%的惊人准确率，并优于现有方法。
Keyword:
Federated learning
Evolution
Non-IID data
Personalization
期刊
K
IF:
7.6
论文数:
1.3W
被引数:
4.5W
机构
暂无机构信息
引用论文
FlexiFed: Personalized Federated Learning for Edge Clients with Heterogeneous Model Architectures
.png){kind=icon}
PREAI
分享收藏Towards Efficient and Stable K-Asynchronous Federated Learning With Unbounded Stale Gradients on Non-IID Data在非IID数据上实现具有无界陈旧梯度的高效稳定的K异步联合学习
OAAI
OAAI分享收藏分享收藏
查看更多内容