.png){kind=icon}
返回
Federated learning with clustered hyperparameter optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.ins.2025.122937.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
超参数调优对于提升机器学习模型性能至关重要。然而，超参数调优过程可能计算成本高昂——通常，整个超参数空间并未被搜索，而是采用某些启发式或统计指导的优化算法。在联邦学习中，由于存在大量客户端模型，对每个模型进行超参数调优变得成本过高。在本工作中，我们提出了一种高效方法来调优超参数，通过基于梯度更新对客户端进行聚类，并针对每个聚类分别调优超参数。我们证明，与联邦平均算法相比，我们提出的方法在i.i.d.和非i.i.d.设置下均能实现更快的收敛。
Keyword:
Federated learning
Bayesian optimization
Hyperparameter tuning
Clustering
期刊
IF:
6.8
论文数:
553
被引数:
6.2W
机构
引用论文
Hyperparameter Optimization for Transfer Learning of VGG16 for Disease Identification in Corn Leaves Using Bayesian Optimization.png)
Big Data
Big DataIF0
PREAI
分享收藏分享收藏Ensemble learning models with a Bayesian optimization algorithm for mineral prospectivity mappingOre Geology Reviews
OAAI
Ore Geology ReviewsIF3.6
OAAI分享收藏分享收藏Gradient-based learning applied to document recognition基于梯度的学习在文档识别中的应用PROCEEDINGS OF THE IEEE
PROCEEDINGS OF THE IEEEIF25.9
PREAI
分享收藏
查看更多内容