DA-PFL：面向个性化联邦学习的动态亲和力聚合
机器学习
2024-03-15 v1 分布式、并行与集群计算
摘要
个性化联邦学习成为热门研究主题，可为每个客户端学习个性化模型。现有方法倾向于聚合相似客户端以提升模型性能，但基于相似性的方法可能加剧类别不平衡问题。本文提出 novel 动态亲和力聚合个性化联邦学习模型（DA-PFL），以缓解联邦学习中的类别不平衡风险。具体而言，我们从互补角度构建亲和力度度量，以引导客户端聚合决策。随后设计动态聚合策略，依据亲和力度度量在每个轮次中动态聚合客户端，从而降低类别不平衡风险。大量实验表明，所提DA-PFL模型在三个真实数据集上相较于SOTA方法显著提升了每个客户端的准确率。
引用
@article{arxiv.2403.09284,
title = {DA-PFL: Dynamic Affinity Aggregation for Personalized Federated Learning},
author = {Xu Yang and Jiyuan Feng and Songyue Guo and Ye Wang and Ye Ding and Binxing Fang and Qing Liao},
journal= {arXiv preprint arXiv:2403.09284},
year = {2024}
}