面向聚类联邦学习的全变分最小化分析
机器学习
2024-08-01 v2
摘要
联邦学习应用中的一个关键挑战是局部数据集的统计异构性。聚类联邦学习通过识别近似同质的局部数据集聚类来解决这一挑战。最近一种聚类联邦学习方法是广义全变分最小化 (GTVMin)。该方法需要一个相似性图，该图可以通过领域专业知识或通过图学习技术以数据驱动的方式获得。在广泛适用的聚类假设下，我们推导出了 GTVMin 解与其聚类均值之间偏差的上界。该界限为 GTVMin 在解决联邦学习环境中统计异构性方面的有效性和鲁棒性提供了有价值的见解。
引用
@article{arxiv.2403.06298,
title = {Analysis of Total Variation Minimization for Clustered Federated Learning},
author = {A. Jung},
journal= {arXiv preprint arXiv:2403.06298},
year = {2024}
}