个性化联邦学习Personalized federated learning

人工智能相关内容知乎链接
最新推荐文章于 2025-09-21 22:18:21 发布
原创 最新推荐文章于 2025-09-21 22:18:21 发布 · 3k 阅读 · 2 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#人工智能

博客提及人工智能相关内容发布在知乎，并给出链接引导点击。
第26篇：pFedLoRA: Model-Heterogeneous Personalized Federated Learning with LoRA使用lora微调的模型异构个性化联邦学习
weixin_74009895的博客
02-17 963
模型异构个性化联邦学习（MHPFL）
第38篇：Adaptive Personalized Federated Learning（APFL）算法（个性化联邦学习）
weixin_74009895的博客
03-07 454
在传统的联邦学习中，主要目标是训练一个全局模型，使其在所有参与客户端上表现良好。然而，由于客户端数据的非独立同分布（non-IID）特性，全局模型可能无法很好地适应每个客户端的本地数据，导致本地模型的性能受限。：为了提升每个客户端的本地模型性能，研究者们开始关注个性化联邦学习。个性化的目标是让每个客户端在贡献全局模型的同时，训练出适合本地数据的个性化模型。
个性化联邦学习综述
热门推荐
联邦学习小白
06-16 1万+
《Personalized federated learning for intelligent iot applications》
【阅读笔记】Towards Personalized Federated Learning个性化联邦综述
charlessun9的博客
07-15 5664
个性化联邦学习综述，介绍了当前非独立同分布的数据情况，以及相应的解决方案、论文。同时也对PFL进行了分类，四大类、十小类，方便相关研究人员针对性的学习
个性化联邦学习（Personalized Federated Learning）
最新发布
safasfs的博客
09-21 1117
本文参考论文：链接:​​。
【个性化联邦学习】Towards Personalized Federated Learning 论文笔记整理
weixin_44270151的博客
10-21 7500
尝试记录一下最近看的论文，顺便当个笔记同步了。这篇是个性化联邦学习的综述，Towards Personalized Federated Learning。
Personalized Federated Learning with Moreau Envelopes论文阅读+代码解析
qq_45478482的博客
02-27 2801
（好久没更新文章啦，现在开学继续肝） 论文地址点这里 一. 介绍 尽管FL具有数据隐私和减少通信的优势，但它面临着影响其性能和收敛速度的主要挑战：统计多样性，这意味着客户之间的数据分布是不同的（即非i.i.d.）。因此，使用这些非i.i.d.数据训练的全局模型很难在每个客户的数据上得到很好的推广。因此，个性化联邦学习在改变传统追求全局一个较好模型做到了平衡——全局与局部的调整，以适应本地数据集。 二. 相关工作 个性化联邦学习有：混合模型，情景化，元学习和多任务学习。（论文介绍了很多相关论文，在这里不加以赘
个性化联邦学习(Personalized Federated Learning,PFL) 介绍（下）
Jiayyyiii的博客
11-30 1401
绝大多数PFL研究选择通过在机器学习中使用的公共基准数据集(例如MNIST， EMNIST，CIFAR-100)上执行自己的分区来模拟非iid设置，或者创建一个合成数据集。例如，在软件手机键盘中，标签分布倾斜对于来自不同人口统计特征的用户来说可能是一个问题，因为不同的语言和文化差异导致某些单词或表情符号主要由不同用户使用。为了对标签分布倾斜建模，例如，在健康监测应用中，用户的活动数据分布会因其习惯和生活方式的不同而有很大差异。在不同的客户端之间是不同的，而条件分布。在不同的客户端之间是不同的，而标签分布。
第七篇：Personalized Federated Learning using Hypernetworks利用超网络进行个性化联合学习
weixin_74009895的博客
12-11 748
Hypernetworks (HNs)超网络是一种深度神经网络，它能输出另一个目标网络的权重，该网络执行学习任务。其原理是，输出权重根据超网络的输入而变化。HN 自然适用于学习各种个性化模型，因为 HN 会根据输入动态生成目标网络。⑦修改全局超参数更新Φ。
【论文 | 联邦学习】 | Towards Personalized Federated Learning 走向个性化的联邦学习
"You are worthy! You can do it!"
12-03 1518
标题：Towards Personalized Federated Learning收录于：IEEE Transactions on Neural Networks and Learning Systems (Mar 28, 2022)作者单位：NTU，Alibaba Group，SDU，HKUST，WeBank本文提供了一个FL的概述，并讨论了PFL的关键动机。提出了一种独特的PFL技术分类法，根据PFL中的关键挑战和个性化策略进行分类，并强调了这些PFL方法的关键想法、挑战和机遇。
个性化联邦学习的总结.pdf
07-20
包含联邦多任务学习，FedProx，FedMD，具有个性化层的联邦学习，联邦迁移学习。
federated-learning-gmm:基于联合学习范式的高斯混合模型的实现
04-11
联合学习GMM 基于联合学习范式的高斯混合模型的实现 此项目的目的是根据论文中的香草联合学习范式，展示一种具有期望最大化（EM）算法的高斯混合模型（GMM）的有效实现。 高斯混合模型用于无人监督的学习问题中，尤其是在聚类任务中。 该存储库允许交替执行GMM的基准本地版本和同一模型的联合分布式实现，以比较它们的性能。 参数 名称 描述 默认 基准线 联合的 --dataset 数据集名称。 虹膜 X X --components 适合的高斯人数。 3 X X --random_seed 在执行之间具有随机一致结果的数字。 没有任何 X X --samples 要生成的样本数。 10000 X X --features 每个生成的样本的特征数量。 2个 X X --soft_clustering 指定群集边界是软边界还是硬边界。 真的 X X
【文献阅读笔记】Personalized Federated Learning: A Meta-LearningApproach
jyq的科研学习记录
10-22 1137
本文研究个性化的联邦学习，目标是找到一个初始共享模型，当前或新用户可以很容易地适应他们的本地数据集通过执行一个或几个步骤的梯度下降对自己的数据。这种方法保留了联邦学习体系结构的所有好处，并通过结构为每个用户提供了更个性化的模型。
Personalized Federated Learning with Exact Stochastic Gradient Descent 论文阅读
qq_45478482的博客
02-28 556
对个性化联邦学习论文的探究
【联邦元学习】读懂Per-FedAvg个性化联邦学习：Personalized Federated Learning: A Meta-Learning Approach
BlueBlue
09-02 2331
论文：Fallah A, Mokhtari A, Ozdaglar A. Personalized Federated Learning: A Meta-Learning Approach[J]. arXiv pre-print server, 2020. 这篇文章提出了FedAvg的变体——Per-FedAvg，旨在解决联邦学习中的个性化问题。在联邦学习中结合元学习模型MAML，试图找出一个全局模型，使之在每个节点针对其自身的损失函数进行更新后均表现良好。 【原创，转载需标明出处】论文解析（内含论文原
个性化联邦学习-综述
hehehehejiejie的博客
11-07 1633
与个性化联邦学习相关的三篇综述
个性化联邦学习(Personalized Federated Learning,PFL) 介绍（上）
Jiayyyiii的博客
11-30 4811
根据数据在参与实体之间的特征和样本空间分布方式，迁移学习可以分为和。现有的PFL工作主要集中在HFL设置上，HFL的应用场景占了大部分。
Exploiting Shared Representations for Personalized Federated Learning
12-31
### 利用共享表示进行个性化联邦学习 在个性化联邦学习中，利用共享表示的方法旨在通过模型间的信息交换来提升各客户端本地模型的表现，同时保持一定程度的个性化。这种方法通常涉及两个主要方面：全局模型参数更新和个人化调整。 #### 全局模型训练与个人化调整 为了实现这一目标，在每轮迭代过程中，服务器会收集来自不同客户的梯度信息并计算平均值作为新的全局权重向量[^1]。随后，这些更新后的参数会被分发给各个客户机用于下一轮局部优化过程中的初始化设置。然而，由于数据分布差异较大以及隐私保护需求的存在，直接采用统一策略可能无法满足特定应用场景下的性能要求。 因此，研究者们提出了多种基于元学习框架下的解决方案，允许每个参与者根据自身特点自适应地微调其内部结构而不影响其他成员的学习进度。例如，可以通过引入额外的任务无关特征映射层或将某些神经网络组件设为固定不变等方式增强跨域泛化能力的同时保留个体特性。 #### 技术细节与算法设计 具体来说，一种常见的做法是在标准Federated Averaging (FedAvg)基础上加入正则项约束条件以鼓励相似样本之间形成更紧密关联；另一种则是借助于生成对抗网络（GANs），让多个代理机构共同构建一个虚拟空间内的公共表征库供后续迁移使用。此外还有些工作探索了如何结合强化学习机制动态调整参与方贡献比例从而达到更好的协作效果。 ```python def fed_avg_with_regularization(models, regularization_lambda=0.01): global_model = sum([model * (1 / len(models)) for model in models]) # Add L2 Regularization term to encourage similarity among local updates reg_term = sum([(global_model - m).norm() ** 2 for m in models]) * regularization_lambda optimized_global_model = global_model - reg_term return optimized_global_model ```
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值