Towards Federated Learning Under Resource Constraints via Layer-wise Training and Depth Dropout
Johns Hopkins University(约翰斯·霍普金斯大学);Google Research(谷歌研究院)
针对资源受限下联邦学习难以扩展大模型的问题,提出联邦逐层学习与联邦深度 Dropout 两种技术,显著降低客户端内存、计算和通信成本,在边缘设备上有效训练更大模型且性能损失极小。
2023-09-11 cs.AI cs.DC cs.LG
Unveiling the Depth-Performance Dilemma in Split-Federated Fine-tuning of LLMs
Vellore Institute of Technology(韦洛尔理工学院);University of Arizona(亚利桑那大学)
本研究针对拆分式联邦微调(SFF),识别出深度-性能困境,评估多种联邦适配器聚合方法后发现其无法缓解拆分架构缺陷,归因于Transformer拓扑,为分布式LLM微调提供结构基础。
2026-08-25 cs.CL cs.DC cs.LG
The Internet of Federated Things (IoFT): A Vision for the Future and In-depth Survey of Data-driven Approaches for Federated Learning
University of Michigan(密歇根大学);University of Wisconsin Madison(威斯康星大学麦迪逊分校);American University of Beirut(贝鲁特美国大学);National University of Singapore(新加坡国立大学)
本文提出联邦物联网(IoFT)的未来愿景,系统综述了基于联邦学习的去中心化推断数据驱动方法,涵盖全局、个性化和元学习三种模型,并探讨了其在制造、医疗等多个行业的重塑挑战。
2021-11-09 cs.LG
Quantum Federated Learning with Entanglement Controlled Circuits and Superposition Coding
Korea University(高丽大学);Ajou University(亚洲大学);Deakin University(迪肯大学);University of Oulu(奥卢大学)
在见证噪声中间尺度量子(NISQ)时代及以后的同时,量子联邦学习(QFL)最近成为一个新兴的研究领域。在QFL中,每个量子计算机或设备都使用可训练的门来本地训练其量子神经网络(QNN),并且仅通过经典通道传递这些门参数,而无需昂贵的量子通信。为了在各种信道条件下实现QFL,在这篇文章中,我们开发了一种深度可控的纠缠可瘦量子神经网络(eSQNN)架构,并提出了一种纠缠可瘦QFL(eSQFL),它可以传递eS-QNN的叠加编码参数。与现有的深度固定的QNN相比,由于高纠缠熵和深度间干扰,训练深度可控的eSQNN架构更具挑战性,这通过分别引入纠缠控制通用(CU)门和惩罚深度间量子态差异的原位保真度蒸馏(IPFD)正则化器来减轻。此外,我们通过推导和最小化eSQFL的收敛界来优化叠加编码功率分配。在图像分类任务中,广泛的模拟证实了eSQFL在预测精度,保真度和熵方面的有效性,与Vanilla QFL相比,以及在不同的信道条件和各种数据分布下。
2022-12-04 cs.LG quant-ph
Federated Lightweight Fine-Tuning
Cisco Systems Inc.(思科系统公司)
研究联邦微调通信瓶颈问题,提出基于映射网络的方法,通过低秩分解和增量公式等改进,实现低带宽通信,在CIFAR - 网络上大幅减少通信量,准确率与全权重FedAvg相近,在带宽 - 准确率方面表现优异。
2026-07-22 cs.AI cs.LG
Federated Learning of Neural ODE Models with Different Iteration Counts
Keio University(庆应义塾大学)
本文提出一种基于神经ODE模型的灵活联邦学习方法,可聚合不同迭代次数或深度的模型,减少通信开销,并在CIFAR-10上相比ResNet降低通信量达92.4%。
2023-09-05 cs.DC cs.LG
Federated Personalization of Early-Exit Networks
DS, City University of Hong Kong(DS,香港城市大学);SKLCCSE, Beihang University(SKLCCSE,北京航空航天大学)
CAFEDistill通过冲突感知的联邦退出蒸馏框架,解决PFL中客户端异质性和深度干扰问题,提升模型准确性和降低推理成本。
2026-09-01 cs.LG
Layerwise Federated Learning for Heterogeneous Quantum Clients using Quorus
Rice University(里士大学)
针对量子联邦学习中客户端量子设备异构错误特性导致的模型深度差异问题,提出Quorus框架,利用逐层损失函数训练变深度量子模型,并优化资源,平均提升测试准确率12.4%。
2025-09-30 cs.DC cs.ET cs.LG
Encryptability As a Coordinate Choice: Depth-One Homomorphic Federated Learning of Quantum Neural Networks
Imperial College London(帝国理工学院)
本研究提出将量子神经网络权重用单位四元数表示,使加密联邦学习中的旋转更新变为双线性,从而消除自举开销,实现非交互式协议,并在156量子比特硬件上验证保真度接近未加密基线。
2026-09-28 cs.CR cs.DC cs.LG
Federated Learning with Flexible Architectures
Carnegie Mellon University(卡内基梅隆大学)
本文提出FedFA算法,支持客户端按资源选择不同宽度和深度的模型,并通过层嫁接与可扩展聚合统一整合异构贡献,在性能和后门攻击鲁棒性上优于既有策略。
2024-06-14 cs.AI cs.DC cs.LG
Spectrum Breathing: Protecting Over-the-Air Federated Learning Against Interference
The University of Hong Kong(香港大学);Weizmann Institute of Science(魏茨曼科学研究所)
针对空中联邦学习易受干扰的问题,本文提出频谱呼吸方法,通过级联随机梯度剪枝与扩频技术抑制干扰,并基于鞅收敛分析优化呼吸深度参数,实现固定或自适应控制,确保强干扰下模型收敛。
2024-11-22 cs.CR cs.IT cs.LG
What Should Federated LoRA Share? FedSAIL via Input-aware Subspace Alignment
针对联邦LoRA中共享结构脆弱的问题,本文提出输入感知动作矩阵揭示稳健共享子空间,并据此设计FedSAIL方法,通过子空间正则化提升性能并大幅降低通信成本。
2026-09-29 cs.LG
Multimodal Federated Learning on IoT Data
UK Dementia Research Institute(英国痴呆症研究所);Imperial College London(伦敦帝国理工学院)
联邦学习被提出作为集中式机器学习的替代方案,因为其客户端-服务器结构在现实世界的应用中提供了更好的隐私保护和可扩展性。在诸如具有物联网(IoT)设备的灵巧家庭的许多应用中,客户端上的本地数据从诸如感觉、视觉和音频数据的不同模态生成。现有的联邦学习系统只处理来自单一模态的本地数据,这限制了系统的可扩展性。在本文中,我们提出了一个多模态和半监督的联邦学习框架,训练自动编码器从客户端的不同本地数据模态中提取共享或相关的表示。此外,我们提出了一个多模态FedAvg算法来聚合在不同数据模态上训练的本地自动编码器。我们在服务器上的辅助标记数据的帮助下,将学习的全局自动编码器用于下游分类任务。我们经验性地评估了我们的框架对不同的形式,包括感官数据,深度相机视频,和RGB相机视频。我们的实验结果表明,将多模态数据引入联邦学习可以提高其分类性能。此外,我们可以仅使用来自一种模态的标记数据在服务器上进行监督学习,并将学习的模型应用于测试来自其他模态的数据,以获得不错的F1分数(例如,最好的表现是高于60%),特别是当合并来自单一模式客户和多模式客户的贡献时。
2022-02-18 cs.LG
Scalable Federated Learning for Clients with Different Input Image Sizes and Numbers of Output Categories
Graduate School of Information Science and Technology, The University of Tokyo(东京大学信息科学与技术研究生院);Center for Advanced Intelligence Project, RIKEN(理化学研究所先进智能项目中心)
针对联邦学习中客户端输入图像尺寸和输出类别数量异构的问题,提出ScalableFL方法,通过调整本地模型深度和宽度以适应客户端,并给出泛化差距新界,在图像分类和目标检测任务中验证了有效性。
2023-11-15 cs.CR cs.CV cs.LG
Applied Federated Learning: Architectural Design for Robust and Efficient Learning in Privacy Aware Settings
Meta
经典的机器学习范式需要将用户数据聚集在一个中心位置,机器学习从业者可以在此预处理数据、计算特征、调整模型和评估性能。这种方法的优势包括利用高性能硬件(如GPU)和机器学习从业者进行深入数据分析以提高模型性能的能力。然而,这些优势可能会以数据隐私为代价。用户数据被收集、聚合并存储在集中式服务器上以用于模型开发。数据集中化带来风险,包括内部和外部安全事件以及意外数据滥用的风险增加。具有差分隐私的联邦学习旨在通过将ML学习步骤带到用户的设备来避免服务器端集中化陷阱。学习以联合方式完成,其中每个移动终端在模型的本地副本上运行训练循环。设备上模型的更新通过加密通信和差分隐私发送到服务器,以改进全局模型。在这种模式下,用户的个人数据保留在他们的设备上。令人惊讶的是,以这种方式进行的模型训练对模型性能的影响相当小。然而,联邦学习由于其分布式特性、异构计算环境和缺乏数据可见性而带来了许多其他挑战。本文探讨了这些挑战,并概述了我们正在探索和测试的架构设计解决方案,以生产Meta规模的联邦学习。
2022-06-07 cs.LG
FedEgo: Privacy-preserving Personalized Federated Graph Learning with Ego-graphs
Sun Yat-sen University(中山大学)
图作为包含结构和特征信息的特殊信息载体,在图挖掘中有着广泛的应用,图神经网络。然而,在一些实际场景中,图数据被单独存储在多个分布式方中,由于利益冲突,这些数据可能不会直接共享。因此,联邦图神经网络被提出来解决这样的数据筒仓问题,同时保护每一方(或客户端)的隐私。然而,不同方之间的不同图数据分布,这被称为统计异质性,可能会降低像FedAvg这样的朴素联邦学习算法的性能。在本文中,我们提出了FedEgo,一个基于自我图的联邦图学习框架来解决上述挑战,每个客户端将训练他们的本地模型,同时也有助于训练一个全球模型。FedEgo将GraphSAGE应用于自我图,以充分利用结构信息,并利用Mixup解决隐私问题。为了处理统计异质性,我们将个性化学习,并提出了一个自适应的混合系数策略,使客户端实现其最佳个性化。大量的实验结果和深入的分析证明了FedEgo的有效性。
2022-09-09 cs.CR cs.LG
FedGEMS: Federated Learning of Larger Server Models via Selective Knowledge Fusion
Fudan University(复旦大学);Beijing University of Posts and Telecommunications(北京邮电大学);Tsinghua University(清华大学)
如今,数据通常分散在数十亿资源受限的边缘设备中,这些设备具有安全和隐私限制。联邦学习(Federated Learning,FL)已经成为一种可行的学习全局模型同时保持数据私有性的解决方案,但是FL的模型复杂度受到边缘节点计算资源的限制。在这项工作中,我们研究了一种新的范式,利用一个强大的服务器模型,突破模型容量FL。通过选择性地学习多个教师客户端和自己,服务器模型开发深入的知识,并将其知识转移回客户端,以提高各自的性能。我们提出的框架在服务器和客户端模型上实现了卓越的性能,并在统一的框架中提供了几个优点,包括异构客户端架构的灵活性,对中毒攻击的鲁棒性,以及客户端和服务器之间在各种图像分类任务上的通信效率。
2021-12-07 cs.AI cs.LG
A Framework for Evaluating Gradient Leakage Attacks in Federated Learning
Georgia Institute of Technology(佐治亚理工学院)
联邦学习(FL)是一种新兴的分布式机器学习框架,用于与客户端(边缘设备)网络进行协作模型训练。FL通过允许客户端将其敏感数据保存在本地设备上并仅与联邦服务器共享本地训练参数更新来提供默认的客户端隐私。然而,最近的研究表明,即使从客户端到联邦服务器共享本地参数更新也可能容易受到梯度泄漏攻击,并侵犯客户端关于其训练数据的隐私。在本文中,我们提出了一个原则性的框架来评估和比较不同形式的客户端隐私泄露攻击。我们首先提供形式和实验分析,以显示对手如何通过简单地分析来自本地训练的共享参数更新来重建私有本地训练数据(例如,局部梯度或权重更新向量)。然后,我们分析了联邦学习中不同的超参数配置和攻击算法的不同设置如何影响攻击效率和攻击成本。我们的框架还测量,评估和分析客户端隐私泄漏攻击的有效性时,使用通信高效FL协议在不同的梯度压缩比。我们的实验还包括一些初步的缓解策略,以强调提供系统的攻击评估框架的重要性,以深入了解联邦学习中各种形式的客户端隐私泄露威胁,并为攻击缓解奠定理论基础。
2020-04-23 cs.CR cs.LG stat.ML
When Is Shallow Enough? Adaptive Split Federated Learning with Client-Specific Sufficiency Estimation
The University of Hong Kong(香港大学);Sun Yat-sen University(中山大学);The Hong Kong Polytechnic University(香港理工大学)
针对拆分联邦学习中静态拆分策略无法适配客户端异质性的问题,提出FedSGA框架,通过客户端特定充分性估计实现自适应拆分,提升模型性能并降低客户端计算量。
2026-08-21 cs.AI cs.DC cs.LG
Attacks on fairness in Federated Learning
University of Cambridge(剑桥大学)
本文提出了一种针对联邦学习中公平性的攻击方法,通过控制少量客户端影响模型的属性层面表现分布,强调了在可能使用户受益的情况下,防御此类攻击的重要性。
2026-01-13 cs.CR cs.LG
Compressed Federated Reinforcement Learning with a Generative Model
Stockholm University(斯德哥尔摩大学);King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学)
针对联邦强化学习聚合步骤通信成本高的问题,提出CompFedRL方法,结合周期性聚合与压缩机制,在生成模型设置下通过有限时间分析证明其强收敛性并降低通信开销。
2024-10-14 cs.DC cs.LG cs.MA
Overcoming Challenges of Partial Client Participation in Federated Learning : A Comprehensive Review
Department of Artificial Intelligence, Indian Institute of Technology Hyderabad, India(人工智能系,印度理工学院海得拉巴学院);Department of Computing Technologies, Swinburne University of Technology, Hawthorn, australia(计算技术系,斯威本技术大学 Hawthorn 分校);Department of Physics, Indian Institute of Technology Delhi, India(物理系,印度理工学院德里学院);Department of Energy Science and Engineering, Indian Institute of Technology Delhi, India(能源科学与工程系,印度理工学院德里学院);Department of Computer Science and Engineering, Indian Institute of Technology Hyderabad, India(计算机科学与工程系,印度理工学院海得拉巴学院)
本文系统综述了联邦学习中客户端部分参与带来的实践与理论挑战,梳理并分类现有应对方法,分析其优缺点,为后续研究提供理论与实证参考。
2025-06-06 cs.DC cs.LG
FedTreeLoRA: Reconciling Statistical and Functional Heterogeneity in Federated LoRA Fine-Tuning
University of Florida, Gainesville, FL 32611(佛罗里达大学);Middle Tennessee State University Murfreesboro, TN 37132(中田纳西州立大学)
针对联邦LoRA微调中统计异质性与功能异质性正交耦合的问题,提出树结构聚合框架FedTreeLoRA,通过逐层对齐实现泛化与个性化的有效平衡。
2026-05-26 cs.AI cs.LG
Mind the Gap: Confidence Discrepancy Can Guide Federated Semi-Supervised Learning Across Pseudo-Mismatch
Xiamen University(厦门大学);Hong Kong Baptist University(香港浸会大学)
针对数据异质性导致FSSL伪标签不匹配及本地、全局模型预测分化的问题,提出SAGE,利用置信度差异校正伪标签,提升性能与收敛性。
2025-03-17 cs.CV cs.LG
Federated Graph Classification over Non-IID Graphs
Emory University(埃默里大学)
联邦学习已经成为在不同领域训练机器学习模型的重要范例。对于图级任务(如图分类),图也可以被视为一种特殊类型的数据样本,可以收集并存储在单独的本地系统中。与其他领域类似,多个本地系统(每个本地系统持有一小组图)可以受益于协作训练强大的图挖掘模型,例如流行的图神经网络(GNN)。为了提供更多的动力,对这样的努力,我们分析了现实世界的图从不同的域,以确认它们确实共享某些图形属性,是统计上显着的随机图相比。然而,我们也发现,不同的图形集,即使来自相同的域或相同的数据集,是非IID的图结构和节点功能。为了解决这个问题,我们提出了一个图聚类联邦学习(GCFL)框架,该框架根据GNN的梯度动态地发现本地系统的集群,并从理论上证明这种集群可以减少本地系统所拥有的图之间的结构和特征异质性。此外,我们观察到GNN的梯度在GCFL中相当波动,这阻碍了高质量的聚类,并设计了一种基于动态时间规整的基于梯度序列的聚类机制(GCFL+)。大量的实验结果和深入的分析证明了我们提出的框架的有效性。
2021-11-08 cs.AI cs.DC cs.LG
NeFL: Nested Model Scaling for Federated Learning with System Heterogeneous Clients
Samsung Electronics(三星电子);University of Texas at Austin(德克萨斯大学奥斯汀分校);Korea Advanced Institute of Science and Technology (KAIST)(韩国科学技术院(KAIST))
提出NeFL框架,通过深度与宽度嵌套缩放拆分模型并解耦、平均相关参数,使异构客户端高效参与联邦学习,显著提升最差子模型性能。
2024-09-10 cs.AI cs.LG
FedEval: A Holistic Evaluation Framework for Federated Learning
Peking University(北京大学)
联邦学习(FL)已被广泛接受为不收集原始数据的隐私保护机器学习的解决方案。虽然在过去几年中提出的新技术确实发展了FL领域,但不幸的是,由于不一致的评估指标和实验设置,这些作品中提出的评估结果在完整性方面不足,并且几乎没有可比性。在本文中,我们提出了一个整体的评估框架FL称为FedEval,并提出了一个基准研究的7个国家的最先进的FL算法。具体来说,我们首先介绍了核心评估分类模型,称为FedEval-Core,它涵盖了FL的四个基本评估方面:隐私,鲁棒性,有效性和效率,以及各种定义良好的指标和实验设置。基于FedEval-Core,我们进一步开发了一个FL评估平台,具有标准化的评估设置和易于使用的界面。然后,我们提供了一个深入的基准测试研究之间的七个著名的FL算法,包括FedSGD,FedAvg,FedProx,FedOpt,FedSTC,SecAgg和HEAgg。我们全面分析了这些算法的优缺点,并进一步确定不同算法适合的实际场景,这是以往工作很少做的。最后,我们挖掘出一套外卖的见解和未来的研究方向,这是非常有帮助的研究人员在外语领域。
2022-12-25 cs.CR cs.DC cs.LG
Byzantine-Robust Federated Learning: Impact of Client Subsampling and Local Updates
EPFL(洛桑联邦理工学院);Sorbonne Université(索邦大学);University of Toronto(多伦多大学)
本文研究客户端子采样和本地步骤对拜占庭鲁棒联邦学习 FedRo 的影响,给出近最优收敛的充分条件,并揭示子采样数量超过阈值后精度提升递减、合适步长下本地步骤增多可降低拜占庭误差,最终在 FEMNIST 和 CIFAR-10 上验证理论。
2024-06-10 cs.LG
Towards General Deep Leakage in Federated Learning
University of Stavanger(斯塔万格大学);RWTH-Aachen University(亚琛工业大学);University of Cologne(科隆大学)
与传统的集中式训练不同,联邦学习(FL)通过共享和聚合局部模型而不是局部数据来提高全局模型的性能,从而保护用户的隐私。虽然这种训练方法看起来很安全,但一些研究表明,攻击者仍然可以根据共享的梯度信息恢复私有数据。这种动态重建攻击值得深入研究,因为它可以发生在训练的任何阶段,无论是在模型训练的开始还是结束;不需要相关的数据集,也不需要训练额外的模型。我们突破了一些不切实际的假设和限制,在更广泛的场景中应用这种重建攻击。我们提出的方法,可以重建的训练数据从共享的梯度或权重,分别对应于FedSGD和FedAvg的使用场景。我们提出了一个zero-shot的方法来恢复标签,即使有重复的标签在一批。研究了标记与图像复原的关系。我们发现,图像复原失败,即使只有一个错误推断的标签在一批,我们还发现,当批次图像具有相同的标签,相应的图像恢复为一类图像的融合。我们的方法在经典的图像基准上进行了评估,包括CIFAR-10和ImageNet。我们的方法的批量大小,图像质量和标签分布的适应性超过了最先进的GradInversion。
2022-01-26 cs.AI cs.LG
CADIS: Handling Cluster-skewed Non-IID Data in Federated Learning with Clustered Aggregation and Knowledge DIStilled Regularization
Hanoi University of Science and Technology(河内科技大学);VinUniversity(Vin大学);National Institute of Advanced Industrial Science and Technology(产业技术综合研究所)
本文提出CADIS框架,通过聚类聚合和知识蒸馏正则化解决联邦学习中的聚类偏斜非IID数据问题,实验表明相比FedAvg准确率最高提升16%。
2023-04-15 cs.CV cs.LG
HEART-PFL: Stable Personalized Federated Learning under Heterogeneity with Hierarchical Directional Alignment and Adversarial Knowledge Transfer
Promedius Inc.(Promedius公司)
HEART-PFL通过分层方向对齐和对抗性知识转移,提升在异质分布下的个性化联邦学习效果,实现高准确率和稳定性,适用于CIFAR-100、Flowers-102和Caltech-101数据集。
2026-03-25 cs.CV cs.LG
Enhancing Quantum Security over Federated Learning via Post-Quantum Cryptography
The University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);The University of Pittsburgh(匹兹堡大学)
本研究针对联邦学习在大规模量子计算时代的量子安全性问题,实证评估了三种NIST标准化后量子密码学算法在FL数字签名中的影响,发现Dilithium是最为高效的PQC数字签名算法。
2024-09-06 cs.AI cs.CR cs.LG
Federated Ensemble Learning with Progressive Model Personalization
Department of Computer Engineering, Sharif University of Technology(计算机工程系,沙里夫大学)
本文提出了一种基于提升的联邦集成学习框架,通过渐进增加个性化组件深度并控制复杂度,有效解决联邦学习中的异质性和过拟合问题,并在多个数据集上验证了其优越性。
2026-02-15 cs.LG stat.ML
Federated Few-Shot Learning for Mobile NLP
Beiyou Shenzhen Institute(北邮深圳研究院);University of Virginia(弗吉尼亚大学)
本文研究移动 NLP 中联邦少样本学习问题,结合伪标签与提示学习,并通过 FeS 的课程节奏、数据选择和模型容量协同优化,在极少标注下保持准确率且大幅降低训练开销。
2023-08-19 cs.CL cs.LG
Profiling Privacy Preservation Against Gradient Inversion Attacks in Tabular Federated Learning
Department of Computing(计算系);Jönköping University(琼堡大学);Scaleout Systems;University of Haifa(海法大学)
本研究通过评估不同联邦学习协议、客户端批量大小、训练阶段、攻击者假设、模型架构及任务类型下梯度反转攻击对表格数据的恢复能力,发现小批量更新最易受攻击,而FT-Transformer架构比MLP更难反转,并指出聚合重建精度可能高估完整记录恢复。
2026-05-31 cs.LG
BN-SCAFFOLD: controlling the drift of Batch Normalization statistics in Federated Learning
Centre Borelli(博雷利中心);CNRS(法国国家科学研究中心);ENS Paris-Saclay(巴黎萨克雷高等师范学院);GE HealthCare(GE医疗);ENSIIE(法国国立高等计算机、电子能源及机械自动化工程师学校)
针对异构联邦学习中批量归一化导致 SCAFFOLD 等方差缩减算法性能下降的问题,本文提出 BN-SCAFFOLD,将客户端漂移校正扩展至 BN 统计量,在保持低通信成本的同时达到与 FedTAN 相当的性能。
2024-10-04 cs.LG
Cross-Silo Prototypical Calibration for Federated Learning with Non-IID Data
Shandong University(山东大学);Shandong Research Institute of Industrial Technology(山东产业技术研究院);Beijing Institute of Technology(北京理工大学)
本文提出跨孤岛原型校准方法FedCSPC,通过数据原型建模和增强对比学习在服务器端学习统一特征空间,缓解非独立同分布数据下的数据集偏差,在四个数据集上验证了其优于现有方法的性能。
2023-08-07 cs.CV cs.LG
The Other Side of the Coin: Unveiling the Downsides of Model Aggregation in Federated Learning from a Layer-peeled Perspective
State Key Laboratory of Virtual Reality Technology and Systems, School of Computer Science and Engineering, Beihang University, Beijing, China(虚拟现实技术与系统国家重点实验室,计算机科学与工程学院,北京航空航天大学);Center for AI Business Innovation, Department of Management Science and Systems, University at Buffalo, Buffalo, New York, USA(人工智能商业创新中心,管理科学与系统系,布法罗大学)
本研究针对联邦学习中聚合模型暂时性性能下降的问题,构建层剥离分析框架,发现聚合会引发随网络深度累积的特征退化现象,并验证现有解决方案的有效性源于缓解该退化。
2025-06-09 cs.AI cs.LG