论文名字 | Personalized Federated Learning with Moreau Envelopes |
来源 | |
年份 | 2021.3.3 |
作者 | Canh T. Dinh, Nguyen H. Tran, Tuan Dung Nguyen |
核心点 | 个性化联邦学习算法,pFedMe |
阅读日期 | 2021.5.25 |
影响因子 |
|
页数 | 23 |
引用数 |
|
引用 |
|
内容总结 | |
文章主要解决的问题及解决方案: 主要针对联邦学习中客户端不平衡(non-iid)数据的问题,提出一种个性化联邦学习,使得不同客户端可以根据自己数据集的特点进行个性化训练,同时是在联邦学习框架下进行的。
文章相比之前的工作创新之处: 文中主要与Per-FedAvg和FedAvg算法相比 1、收敛速度比两者要快 2、在Per-FedAvg中,优化器智能进行one-step的梯度更新(也就是在一次训练中只更新一次),而文中算法可以进行multi-step(多次更新)。 3、式(5)是Per-FedAvg的个性模型更新(即本地客户端的模型更新公式);式(3)是文中算法的个性模型更新。Per-FedAvg算法智能对fi 4、Per-FedAvg(等几种基于MAML的算法)都是要求计算Hessian矩阵的(二阶导),而文中方法只需要一阶导。
文章的主要工作: 1、文中算法只要利用Moreau envelope的一些数学特性进行改进。 2、算法伪代码: 3、其主要提出一种双层结构,内层结构用上面的公式(3)求得,外层结构是梯度下降方法(即下式),其中 整体公式如下:
实验结果:
附录:
参考文献:
|