![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
联邦学习
文章平均质量分 91
噜噜噜鹿鹿
盛世之牛马,乱世之炮灰
展开
-
联邦学习周记|第四周
但如果手上只有振幅谱或相位谱的其一,就无法变换回去,这保证了隐私性。同时针对FL中可能存在的异质问题而导致每个Client重建,文章还提出了一个识别器用于分辨两个站点间重构出来的图像的特征区别,并将loss加上这个识别器的值,最终跑到识别器无法分辨出不同站点间的区别就算结束了,这解决了异质性的问题。具体的,文章指出传统的DG(域泛化)在FL隐私保护的背景下作用有限,提出将原始数据通过快速傅立叶变换转化到频率空间中,并通过连续插值的方法桥接多个数据分布空间,以加强模型在未见过的数据分布空间的性能。原创 2024-06-18 18:20:18 · 957 阅读 · 0 评论 -
联邦学习入门周记|第二周
待更新!!!原创 2024-05-17 20:44:49 · 155 阅读 · 0 评论 -
联邦学习入门周记|第一周
数据量异质性指的是每个Client之间的数据量不同,比如A有100个数据,B只有1个数据。数据特征异质性是指每个Client之间的数据特征不同,比如A中的数据有猫、狗、猪、马,B中的数据里只有乌龟。数据异质性会导致最终跑出来的模型产生偏差,比如给模型100张猫的图,1张狗的图,那么最终模型对于猫的辨认能力一定远大于对于狗的辨认能力。联邦学习的入门论文。论文大意就是由于各种原因,我们需要一种新的分布式的学习算法,用于将各客户端的数据也都加入训练中,但是不能直接将客户端数据直接给服务端,这种算法就叫联邦学习。原创 2024-05-16 19:38:21 · 287 阅读 · 0 评论