![](https://img-blog.csdnimg.cn/20201014180756922.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
联邦学习(Federated Learning, FL)
文章平均质量分 93
联邦学习经验分享
「已注销」
这个作者很懒,什么都没留下…
展开
-
个性化联邦学习(Personalized Federated Learning,PFL) 介绍(下)
绝大多数PFL研究选择通过在机器学习中使用的公共基准数据集(例如MNIST, EMNIST,CIFAR-100)上执行自己的分区来模拟非iid设置,或者创建一个合成数据集。例如,在软件手机键盘中,标签分布倾斜对于来自不同人口统计特征的用户来说可能是一个问题,因为不同的语言和文化差异导致某些单词或表情符号主要由不同用户使用。为了对标签分布倾斜建模,例如,在健康监测应用中,用户的活动数据分布会因其习惯和生活方式的不同而有很大差异。在不同的客户端之间是不同的,而条件分布。在不同的客户端之间是不同的,而标签分布。原创 2023-11-30 11:24:05 · 1063 阅读 · 0 评论 -
个性化联邦学习(Personalized Federated Learning,PFL) 介绍(上)
根据数据在参与实体之间的特征和样本空间分布方式,迁移学习可以分为和。现有的PFL工作主要集中在HFL设置上,HFL的应用场景占了大部分。原创 2023-11-30 00:53:45 · 2530 阅读 · 0 评论 -
联邦学习 Federated Learning 基本介绍
联邦学习(FL)是一种在边缘设备利用本地数据进行模型训练,再将模型参数传回服务器聚合的一种训练方法,降低了传统集中式机器学习方法带来的一些系统隐私风险和成本。原创 2023-11-25 17:43:21 · 1369 阅读 · 1 评论