一、文章主要内容总结
该研究聚焦联邦学习(FL)中数据异质性导致的局部模型性能退化问题,针对现有个性化联邦学习(PFL)方法忽略客户端采样信息、难以显式提取先验知识的缺陷,提出了一种基于Bregman散度的个性化联邦学习框架(pFedBreD)。
核心内容包括:
- 问题定位:传统PFL依赖单一全局模型提供先验知识,未考虑客户端采样信息,导致局部训练需从零获取关键信息;同时现有方法对先验知识的提取多为隐式假设,限制了个性化策略的设计。
- 框架设计:将PFL建模为贝叶斯优化问题(Global-MLE与Local-MAP),通过Bregman散度正则化解耦个性化先验与局部目标函数,引入松弛镜像下降(RMD)显式提取先验知识,支持灵活的个性化策略选择。
- 理论支撑:提供了收敛性分析,证明在存在聚合噪声时收敛速率为O(1/(TN))O(1/(TN))O(
订阅专栏 解锁全文
3079



被折叠的 条评论
为什么被折叠?



