一次性联邦学习
机器学习
2019-03-07 v2 机器学习
摘要
我们提出一次性联邦学习，其中中央服务器在单轮通信中通过联邦设备网络学习一个全局模型。我们的方法——借鉴集成学习与知识聚合——在 AUC 上相较本地基线取得平均 51.5% 的相对提升，并达到（不可达的）全局理想值的 90.1%。我们讨论了这些方法并指出了若干有前景的未来工作方向。
引用
@article{arxiv.1902.11175,
title = {One-Shot Federated Learning},
author = {Neel Guha and Ameet Talwalkar and Virginia Smith},
journal= {arXiv preprint arXiv:1902.11175},
year = {2019}
}
备注
5 pages, 3 figures, 1 table. 2nd Workshop on Machine Learning on the Phone and other Consumer Devices, NeurIPs 2018