标签
本文提出了FedDualAtt，一种用于ECG分类的个性化联邦学习方法，该方法将Transformer注意力头分为全局聚合和局部私有分支，以处理临床站点间的数据异质性。在FedCVD基准上的实验表明，其性能优于现有方法。
本文介绍了 COSMOS，这是一个模型无关的个性化联邦学习框架，采用了聚类服务器模型和仅通过伪标签进行通信的机制。论文提供了理论分析，展示了指数级的个性化风险收缩，并证明了该方法在异构环境下的性能优于现有的基线方法。