FedOS：利用开集学习稳定联邦学习中的训练
机器学习
2022-08-30 v2 机器学习
摘要
联邦学习是一种近期提出的在不违反隐私约束的前提下在分布式数据集上训练统计模型的方法。通过客户端与服务器之间共享模型而非数据，数据局部性原则得以保持。这带来了许多优势，但也提出了新的挑战。在本报告中，我们探索了这一新研究领域，并进行了若干实验，以加深我们对这些挑战是什么以及不同问题设置如何影响最终模型性能的理解。最后，我们提出了应对其中一项挑战的新方法，并将其与文献中的其他方法进行了比较。
引用
@article{arxiv.2208.11512,
title = {FedOS: using open-set learning to stabilize training in federated learning},
author = {Mohamad Mohamad and Julian Neubert and Juan Segundo Argayo},
journal= {arXiv preprint arXiv:2208.11512},
year = {2022}
}
备注
Project report for the course of Advance Machine Learning. year 2021-22, Polytechnic of Turin