一种创新的联邦学习网络

本文提出了 Wavelet Kolmogorov-Arnold Networks (Wav-KAN) 在联邦学习中的开发与应用。我们在各客户端实现了 Wav-KAN \cite{wav-kan}。我们既考虑了连续小波变换(CWT)，也采用离散小波变换(DWT)，以实现多分辨率能力，这有助于跨客户端异构数据分布。对不同数据集进行了大量实验，表明 Wav-KAN 在可解释性、计算速度、训练与测试准确率方面均优于传统方法。我们的联邦学习算法集成了基于小波的激活函数，这些激活函数由权重、尺度和平移参数化，以提升局部和全局模型性能。结果表明，在可扩展神经网络设计中，小波选择显著提升了计算效率、鲁棒性和准确率，凸显了其有效性。