精选理由
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。
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。
AI 翻译 · 中文
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。
Federated learning typically aggregates client updates using fixed or heuristic weighting rules, which can be suboptimal when clients have heterogeneous data and varying contributions to the global model. We propose a fr…