自适应异构联邦学习

摘要： 目的 模型异构联邦学习由于允许参与者在不损害隐私的情况下独立设计其独特模型而受到越来越多的关注。现有的方法通常依赖于公共共享的相关数据或全局模型进行通信，极大地限制了适用性。且每个参与者的私有数据通常以不同的分布收集，导致数据异构问题。为了同时处理模型异构和数据异构，本文提出了一种新颖的自适应异构联邦学习方法。方法 给定一个随机生成的输入信号（例如，随机噪声），自适应异构联邦学... （共12页）