论文阅读
文章平均质量分 73
主要记录研究生学习阶段所读论文,积累知识。
爱吃肉der小兔叽
这个作者很懒,什么都没留下…
展开
-
Exploiting Shared Representations for Personalized Federated Learning【2021 icml】
FEDREP原创 2022-10-19 08:30:28 · 358 阅读 · 0 评论 -
联邦学习+元学习:Federated Meta-Learning with Fast Convergence and Efficient Communication.(Fed-Meta)
元学习+联邦学习原创 2022-10-13 20:59:40 · 1635 阅读 · 0 评论 -
论文阅读:FAIR FEDERATED LEARNING FOR HETEROGENEOUS FACE DATA
1.提出背景:为公平分类而提出的大多数方法都需要代表所涉及的不同人口群体的不同数据。相反,每个客户端拥有的数据通常只代表一个人口统计组。因此,现有的方法不能用于客户层的公平分类模型。为了解决这一挑战,我们提出了几种聚合技术;2.创新点:考虑在数据异构的情况下如何实现联邦学习中的公平分类问题。...原创 2022-02-25 11:30:14 · 168 阅读 · 0 评论 -
论文阅读:ELEGANT: Exchanging Latent Encodings with GAN for Transferring Multiple Face Attributes
1.提出背景近年来,人脸属性属性转移虽然有许多方法,但是他们目前存在的主要缺陷有以下三点:(1)无法通过范例生成图像;(2)无法同时传输多个人脸属性;(3)生成的图像质量低,如分辨率低或伪影。2.提出的方法elegant:我们的模型可以通过交换图像编码的某些部分,将相同类型的属性从一幅图像传输到另一幅图像。所有的属性在隐空间中以一种解纠缠的方式进行编码,使我们能够同时操作多个属性。此外,我们的模型对残差图像进行了学习,便于对高分辨率图像进行训练。在多尺度鉴别器的帮助下进行对抗训练,甚至可以生成细节更细原创 2021-09-09 17:41:23 · 325 阅读 · 0 评论 -
论文阅读:SCAFFOLD: Stochastic Controlled Averaging for Federated Learning
1.研究背景:为了改进Fedavg算法当数据是异构(非iid)时,它遭受“客户漂移”,导致不稳定和缓慢的收敛。2.提出的方法:它使用控制变量(方差减少)来纠正本地更新中的“客户端漂移”。我们证明了SCAFFOLD需要更少的通信轮数,并且不受数据异构性或客户端采样的影响。进一步,我们证明(对于二次方程)SCAFFOLD可以利用客户端数据的相似性,从而产生更快的收敛。后者是量化局部步骤在分布式优化中的作用的第一个结果。1).创新点:a.可以克服客户端异质性(可以将异质性视为在不同客户端之间的更新原创 2021-09-11 09:29:41 · 1042 阅读 · 0 评论 -
论文阅读:Federated Face Recognition
这里写自定义目录标题Federated Face RecognitionFederated Face Recognition动机:关于人脸识别的安全性问题已经迫在眉睫创新点:将联邦学习技术首次创新地应用于人脸识别框架:FedFace:Partially Federated Momentum (PFM) and Federated Validation (FV)PFM局部应用估计的等效全局动量来有效地逼近集中动量sgdFV可以根据聚合模型在一些验证数据集上的性能安全地搜索好的权值。FedFa原创 2021-07-20 18:44:59 · 419 阅读 · 0 评论