.png){kind=icon}
返回
Performance Analysis and Optimization for a Multi-tasking Federated Learning Framework
.png){kind=icon}
PRE
AI
DOI：10.1007/978-3-032-10202-7_8.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
近年来，联邦学习（FL）发展迅速，这得益于其在提升隐私和安全性同时保持高准确率的优点。然而，过拟合、自适应优化、客户端异构性和通信效率等挑战影响了实际性能。因此，对服务器和客户端进行优化在联邦学习中起着重要作用。本文提出FedSAP，一种同时训练多个模型的联邦学习框架。为提高泛化能力和模型收敛性，我们利用了预热轮次、伪梯度、类别权重以及带有双余弦衰减的自适应学习率等改进措施。具体而言，我们在3个不同数据集（包括我们的RSSITag、VGG-Face2和FERPlus）上进行了1次模拟和2次分布式实验，涵盖了7种优化器，即FedAvg、FedProx、SCAFFOLD、FedAvgM、FedOpt、FedAdam和FjORD，并在各种边缘设备上进行测试，从RTX 3090 Ti、4060和4070等高性能设备到Jetson Orin Nano和Jetson Nano等资源受限设备。随后，我们提出了非独立同分布（non-IID）数据划分的通用标准。最后，我们在CIFAR-10数据集上的模拟结果相较于传统FL框架，准确率提升了1.55%至7.54%。
Keyword:
Federated learning
UHF-RFID
Face Recognition
Facial Emotion Recognition
Attendance system
期刊
A
IF:
0
论文数:
33
被引数:
0
机构
引用论文
Federated learning: Overview, strategies, applications, tools and future directions联邦学习：概述、策略、应用、工具及未来方向.png)
Heliyon
OAAI
HeliyonIF0
OAAI分享收藏Federated Learning: A Survey on Enabling Technologies, Protocols, and ApplicationsIEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏A systematic review of federated learning from clients' perspective: challenges and solutions从客户角度对联邦学习的系统回顾: 挑战与解决方案
OAAI
OAAI分享收藏Balancing privacy and performance in federated learning: A systematic literature review on methods and metrics在联合学习中平衡隐私和绩效: 关于方法和指标的系统文献综述OAAI
OAAI分享收藏 没有更多内容
没有更多内容