通过温度缩放改进联邦学习中的本地训练
机器学习
2025-12-24 v3 人工智能
摘要
联邦学习固有地受到数据异构性的阻碍：本地客户端上的非独立同分布训练数据。我们提出了一种新颖的联邦学习模型训练方法 FLex&Chill，该方法利用了 Logit Chilling 技术。通过广泛的评估，我们证明，在联邦学习系统固有的非独立同分布数据特征存在的情况下，该方法能够加速模型收敛并提高推理准确率。从定量角度来看，根据我们的实验，我们观察到全局联邦学习模型收敛时间最多提升了 6 倍，推理准确率最多提升了 3.37%。
引用
@article{arxiv.2401.09986,
title = {Improving Local Training in Federated Learning via Temperature Scaling},
author = {Kichang Lee and Pei Zhang and Songkuk Kim and JeongGil Ko},
journal= {arXiv preprint arXiv:2401.09986},
year = {2025}
}
备注
56 pages