10:58arXiv cs.LG@Dario Fenoglio, Daniil Kirilenko, Martin Gjoreski, Marc Langheinrich该论文提出了一种基于条件随机场(CRF)的联邦学习聚合权重优化框架。它通过定义客户端的一元势函数和客户端对的成对势函数,建模单个客户端的可靠性以及客户端间的交互。CRF推理生成的自适应聚合权重改进了全局训练目标的收敛性。在非IID数据异质性场景下,该方法在多个联邦学习基线方法上持续提升了性能。论文联邦学习条件随机场非IID数据聚合权重推荐理由:这篇论文用CRF替代固定加权规则,解决了客户端数据分布不均的问题,在非IID场景下比经典联邦学习方法更稳定。原文