更友好于工业界：具有高效设计的联邦学习
机器学习
2020-12-17 v1 人工智能
分布式、并行与集群计算
摘要
尽管自 Google 提出联邦学习（FL）范式以来已取得许多成就，研究人员在优化其效率方面仍有很大空间。在本文中，我们提出一种高效的 FL 方法，配备双头设计以在非 IID 数据集上实现个性化优化，以及渐进式模型共享设计以节省通信。实验结果表明，我们的方法在各种数据分布下比其它最先进方法（SOTA）具有更稳定的精度性能和更好的通信效率，使其更友好于工业界。
引用
@article{arxiv.2012.08809,
title = {More Industry-friendly: Federated Learning with High Efficient Design},
author = {Dingwei Li and Qinglong Chang and Lixue Pang and Yanfang Zhang and Xudong Sun and Jikun Ding and Liang Zhang},
journal= {arXiv preprint arXiv:2012.08809},
year = {2020}
}