基于局部损失的聚类化联邦学习
机器学习
2024-07-15 v1 最优化与控制
摘要
本文提出了LCFL，这是一种用于评估联邦学习中客户端数据分布的聚类指标。LCFL符合联邦学习要求，准确评估客户端之间的数据分布差异。相对于现有聚类化联邦学习方法，LCFL在解决隐私问题、适用于非凸模型以及提供更准确分类结果方面具有优势。LCFL无需客户端数据分布的先验知识。我们提供了严格的数学分析，证明了该框架的正确性和可行性。多个神经网络实例的数值实验表明，LCFL在多个聚类化联邦学习基准任务中优于基线方法。
引用
@article{arxiv.2407.09360,
title = {Novel clustered federated learning based on local loss},
author = {Endong Gu and Yongxin Chen and Hao Wen and Xingju Cai and Deren Han},
journal= {arXiv preprint arXiv:2407.09360},
year = {2024}
}