标签
FeLiX是一个新的联邦学习编排框架，通过处理临时客户端可用性、动态数据异质性和结果延迟，优化实时交互流上的目标准确率时间。它引入了流感知可用性层级、新鲜效用选择和延迟鲁棒聚合，与最先进的基线相比，将挂钟时间减少了最多2.37倍，通信带宽减少了1.30倍。
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。
本文介绍了 FedeKD，这是一种用于联邦知识蒸馏的可靠性感知框架，采用基于能量的门控机制来缓解非同质化设置下的负迁移问题。作者证明，基于样本级信任度对知识传输进行加权，可以在无需公共数据集的情况下提高鲁棒性和预测性能。
本文解释了联邦学习作为一种保护隐私的机器学习技术的概念，该技术通过在本地设备而非中央服务器上训练模型来实现。文章详细描述了加密参数更新和聚合的过程，旨在降低数据泄露风险，同时保持模型性能。