看完一篇论文总得总结一下,学习到了什么东西。
这是一篇被拒的论文。
论文研究联邦长尾学习。如果能得到每个客户的各类别数量信息,就可以从全局的角度进行re-balance。为了保护隐私,提出一种方法来估计每个客户的各类别数量信息。文章的核心就是怎么估计这个类别数量信息,从而得到全局的先验信息,进而进行平衡训练。
贴一下他的loss
一顿操作猛如虎,结果用的是BSM。但是与FedROD不同,他用的分布是Global训练数据的先验分布,而不是Local DIstribution。按论文的栗子,我是这么理解的:
按他的栗子来,n0+:30, n0- :70 n1+:800, n1-:200
这样算来全局分布约等于 n+:0.75, n-:0.25
相当于C0相较全局是反长尾的,不能按照本地分布进行矫正。好像有点