FedAPA：面向异构数据的服务器端基于梯度的自适应个人化聚合用于联邦学习
机器学习
2025-02-18 v2 计算机视觉与模式识别
摘要
个人化联邦学习(PFL)为每个客户独特的数据分布定制模型，同时保持隐私。然而，现有的基于聚合权重的PFL方法在处理异构数据时常面临准确性、计算效率和通信开销方面的挑战。我们提出FedAPA，一种新型PFL方法，特点是服务器端的基于梯度的自适应聚合策略，以生成定制模型。FedAPA通过在集中式环境下基于客户端参数相对于聚合权重的变化梯度来更新聚合权重，实现自适应聚合。FedAPA保证了理论收敛性，在三个数据集上相较于10种PFL竞争方法实现了卓越的准确性和计算效率，同时保持竞争水平的通信开销。
引用
@article{arxiv.2502.07456,
title = {FedAPA: Server-side Gradient-Based Adaptive Personalized Aggregation for Federated Learning on Heterogeneous Data},
author = {Yuxia Sun and Aoxiang Sun and Siyi Pan and Zhixiao Fu and Jingcai Guo},
journal= {arXiv preprint arXiv:2502.07456},
year = {2025}
}
备注
11 pages, 2 figures