客户端自适应改进模拟非独立同分布客户端的联邦学习
机器学习
2020-07-10 v1 计算机视觉与模式识别
机器学习
摘要
我们提出了一种联邦学习方法，用于在数据于各客户端间非独立同分布(non-IID)时学习客户端可自适应、鲁棒的模型。通过模拟异构客户端，我们表明添加学习到的客户端特定条件化可改善模型性能，并且该方法在来自音频和图像领域的平衡与不平衡数据集上均被证明有效。客户端自适应由一个条件门控激活单元实现，当每个客户端的数据分布间存在较大差异（联邦学习中的常见场景）时尤为有益。
引用
@article{arxiv.2007.04806,
title = {Client Adaptation improves Federated Learning with Simulated Non-IID Clients},
author = {Laura Rieger and Rasmus M. Th. Høegh and Lars K. Hansen},
journal= {arXiv preprint arXiv:2007.04806},
year = {2020}
}
备注
11 pages, 11 figures. To appear at International Workshop on Federated Learning for User Privacy and Data Confidentiality in Conjunction with ICML 2020