09:44arXiv cs.AI@Davide Domini, Gianluca Aguzzi, Lorenzo Pellegrini, Mirko Viroli, Lukas Esterle研究者提出C2FL,一种完全分布式的联邦学习方法。节点通过空间聚类自组织成学习组,反映环境地理结构。为应对时间漂移,每个节点结合经验回放与驻留时间感知的自适应平均步骤,逐步融入区域共识。合成实验表明,标准联邦学习策略在空间和时间漂移下准确率下降超过30%,而C2FL恢复至接近集中式训练的性能。论文C2FL联邦学习空间聚类时间漂移持续学习推荐理由:这篇论文用空间聚类和驻留时间自适应平均,解决了移动场景下联邦学习数据漂移的老大难问题,效果比标准FL好很多。原文