.png){kind=icon}
返回
Robust Decentralized Learning With Local Updates and Gradient Tracking
.png){kind=icon}
OA
AI
DOI：10.1109/TON.2025.3552423.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着联邦学习、物联网（IoT）和边缘计算等分布式学习应用的发展，从理论角度解决此类技术的不足至关重要。作为一种抽象，我们考虑在通信客户端或节点网络上进行去中心化学习，并解决两大主要挑战：数据异质性和对抗鲁棒性。我们提出一种去中心化极小极大优化方法，该方法采用两个重要模块：本地更新和梯度跟踪。极小极大优化是确保鲁棒性的对抗训练的关键工具。在联邦学习（FL）应用中实现本地更新对于缓解通信瓶颈至关重要，而利用梯度跟踪对于证明数据异质性情况下的收敛性至关重要。我们分析了所提算法Dec-FedTrack在非凸强凹极小极大优化情况下的性能，并证明其收敛于一个平稳点。我们还进行了数值实验以支持我们的理论发现。
Keyword:
Decentralized learning
robust federated learning
universal adversarial perturbation
gradient tracking
local updates
期刊
I
IF:
0
论文数:
551
被引数:
0
机构
引用论文
.png){kind=icon}
分享收藏Federated Learning With Experience-Driven Model Migration in Heterogeneous Edge Networks异构边缘网络中基于经验驱动模型迁移的联邦学习
PREAI
分享收藏
查看更多内容