标签
该论文提出了一种由过程挖掘赋能的联邦异常检测流水线,通过计算本地节点与全局节点之间的相似度,在聚合过程中动态调整本地模型的权重,以应对工业物联网中非独立同分布(non-IID)的数据异质性问题。在制造工厂时间序列数据上的实验表明,与独立训练和 FedAvg 相比,该方法的 F1 分数分别提高了 46.52% 和 11.99%,同时误报减少了 51.24%。
CALM 提出了一种用于去中心化联邦学习的方法,该方法利用类内一致性和标签门控分歧调制来处理非独立同分布数据,改进了教师加权和蒸馏信任,而无需额外的通信开销。
D-FROST引入了一种使用最优传输的去中心化联邦提示调优算法,以解决非IID和不平衡数据带来的挑战,确保基础模型的收敛性和有效性。
FedImp是一种新颖的联邦学习算法,它使用基于杂质的加权来提升非独立同分布数据设置下的收敛速度,与基线方法相比,在通信轮次上显示出显著减少。
本文提出FedLBW,一种联邦学习聚合策略,该策略使用验证损失的倒数而非数据集大小来加权客户端更新,提高了在无线网络中应对非独立同分布数据和客户端掉线时的准确性和鲁棒性。
Presents DG-FedReuse, a federated learning mechanism that reuses age-decayed cached client updates under a proxy-gradient threshold to reduce uplink communication, achieving significant modeled savings with minimal accuracy loss on image classification benchmarks.