精选理由
新论文提出SP-CACW，让联邦学习里只选利于你的客户端梯度，避免负迁移，效果比个性化基线还好。
标准联邦学习优化全局平均目标，对数据分布差异大的客户端表现不佳。本文提出SP-CACW框架，通过最小化目标客户端收敛误差的上界来选择聚合权重，可在偏差与方差间权衡并分配零权重给有害客户端。在MNIST、CIFAR-100和LEAF Shakespeare数据集上，该方法与强个性化及聚类基线相比具有竞争力或更优。
AI 翻译 · 中文
标准联邦学习优化全局平均目标，对数据分布差异大的客户端表现不佳。本文提出SP-CACW框架，通过最小化目标客户端收敛误差的上界来选择聚合权重，可在偏差与方差间权衡并分配零权重给有害客户端。在MNIST、CIFAR-100和LEAF Shakespeare数据集上，该方法与强个性化及聚类基线相比具有竞争力或更优。
Collaborative learning is sustainable only when it benefits each participant. Standard federated learning optimizes a global average objective, which can under perform for clients whose data distributions differ substant…