An Efficiency-boosting Client Selection Scheme for Federated Learning with Fairness Guarantee论文阅读

最新推荐文章于 2025-12-02 21:35:49 发布
原创 最新推荐文章于 2025-12-02 21:35:49 发布 · 225 阅读 · 0 ·
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：

#机器学习 #深度学习 #数学建模

这篇文章探讨了ContextualCombinatorialBandit(CCMAB)和CCUCB在多元化在线推荐中的应用，引用了L.Qin、S.Chen和X.Zhu在2014年SIAM数据挖掘会议上的一项工作，还提及了Lyapunov优化的相关内容。

Introduce

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

相关阅读：

1、L. Qin, S. Chen, and X. Zhu, “Contextual combinatorial bandit
and its application on diversified online recommendation,” in Proceedings of the 2014 SIAM International Conference on Data Mining.
SIAM, 2014, pp. 461–469.（CCMAB， CCUCB）
2、https://zhuanlan.zhihu.com/p/660985502 Lyapunov优化

联邦学习节点选择
qq_46034128的博客
10-16 1078
大多数联邦学习算法假设工人是可信的，并且自愿参与合作模型训练过程。但实际应用中的情况与此并不相符。
强化学习节点选择
qq_46034128的博客
12-08 1560
包含大量数据的客户端往往会提供更多的信息，导致更大的权重变化。在早期的全局迭代中拥有更少的客户端，而在后期的全局迭代中拥有更多的客户端可以获得更高的模型精度。状态：t 时刻环境状态，任务i 的信息， Cti 表示终端设备在t 时刻可用于 FL 任务i 的资源， H t−1i 表示终端设备在上一时刻的数据集， at−1i表示上一时刻的节点选择方案。面向高效FL的自动化和质量感知的客户选择框架AUCTION，考虑样本的数量，数据标签和数据分布方面的数据质量，所需价格，并在有限的预算内来选择客户端。
文献阅读：Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge
whitevegetable的博客
11-07 3178
背景 在用户异构（用户的通信、计算能力不同）的蜂窝网络中，传统的联邦学习会很低效。这是因为传统联邦学习中每轮参与模型训练的用户是随机选取的，这样如果一轮中选取的某些用户的通信、计算能力较差，那么其模型训练、上传所需的时间就更长，进而拖延本轮的模型聚合步骤，最终导致整个模型训练效率的低下。 研究内容 论文提出了FedCS协议，将传统联邦学习的随机选取参与用户改为由用户的资源情况选择尽可能多的“优质”用户来进行模型更新。图示如下： FedCS协议的具体步骤： 1....
联邦学习研究方向及论文推荐（二）
weixin_74181752的博客
07-23 3389
第二篇联邦学习论文推荐。
论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge
GJ_007的博客
04-04 2237
论文笔记——Client Selection for Federated Learning with Heterogeneous Resources in Mobile Edge 本文提出了一种基于边缘计算的协议来改进联邦学习算法。 由服务器和基站（BS）组成的位于无线网络中的特定MEC平台管理服务器和客户端的行为。 通过MEC operator 对客户端进行选择。 首先，随机选取一定...
戴文渊---Boosting for Transfer Learning（内含代码、硕士论文及发表的英文论文）
02-11
《Boosting for Transfer Learning：戴文渊的研究与实践》 迁移学习是机器学习领域的一个重要分支，它旨在通过在源任务上学习的知识来提升目标任务的学习性能。戴文渊，作为一个在该领域有着深入研究的专家，其工作...
FlexMatch: Boosting Semi-Supervised Learning with Curriculum Pseudo Labeling
qq_22583741的博客
10-12 1422
最近提出的FixMatch在大多数半监督学习（SSL）基准上取得了最先进的结果。然而，像其他现代SSL算法一样，FixMatch为所有类别使用预定义的恒定阈值来选择有助于训练的未标记数据，忽略了不同类别的学习状态和难度差异。为了解决这个问题，我们提出了课程伪标签（Curriculum Pseudo Labeling, CPL），这是一种基于课程学习的方法，根据模型的学习状态利用未标记数据。CPL的核心是动态调整不同类别的阈值，使得有价值的未标记数据及其伪标签得以通过。
【论文阅读】Learning dynamic alignment via meta-filter for few-shot learning
cainiaomyf的博客
11-07 1627
小样本学习（Few-shot Learning, FSL）旨在通过极其有限的小样本（支持集）示例，适应已学到的知识来识别新类别，仍然是计算机视觉中的一个重要开放问题。现有的大多数小样本学习中的特征对齐方法仅考虑图像级别或空间级别的对齐，而忽略了通道差异。我们的观点是，这些方法会导致冗余匹配，从而导致适应性差，而利用通道级别的调整是将学到的知识有效适应到新类别的关键。因此，本文提出了一种动态对齐学习方法，可以根据不同的局部支持信息有效地突出查询区域和通道。
论文阅读《Boosting Few-Shot Learning With Adaptive Margin Loss》
AmbitionalH的博客
10-13 828
Background ＆ Motivation 各种度量学习方法的不同之处就在于特征的提取方法和嵌入空间内距离的度量方法不同。 交叉熵损失常用来监督模型提取区别度高的视觉特征，在此之前还有人提出各种不同的 margin loss。最简单的 Naive Additive Margin Loss： 这个方法是假设所有的类都应该平等的远离彼此，因此增加了一个固定的常数 m。但是对相似的类别并不能很好地区分，尤其是在小样本的设定下。 除此之外还有 angular margin 和 cosine ma
[CVPR2022] BoostMIS: Boosting Medical Image Semi-Supervised Learning With Adaptive Pseudo Labeling a
weixin_45807767的博客
11-26 881
BoostMIS: Boosting Medical Image Semi-Supervised Learning With Adaptive Pseudo Labeling and Informative Active Annotation
ICLR2021 - Federated Learning Paper
柯同学要谦虚
03-01 2973
Federated Semi-Supervised Learning With Inter-Client Consistency & Disjoint Learning Problems Two practical scenarios of Federated Semi-Supervised Learning (FSSL): each client learns with only partly labeled data (Labels-at-Client scenario) 客户端有数据 用户端
【模式识别与机器学习（18）】关联规则深入浅出教程
hiliang521的博客
12-02 344
【模式识别与机器学习基础（18）】关联规则深入浅出教程
【机器学习】23-25 决策树 & 树集成
weixin_54010404的博客
12-02 668
本文系统性地介绍了决策树模型及其相关算法。首先阐述了决策树的基本结构与学习过程，重点讨论了如何通过最大化信息增益选择最优划分特征，并详细解释了熵作为纯度衡量指标的计算方法。文章涵盖了分类树与回归树的构建逻辑，包括离散特征处理（独热编码）和连续特征阈值选择。 进一步，文章深入探讨了决策树集成方法，重点分析了随机森林算法通过放回抽样和特征随机选择来增强模型鲁棒性的机制。特别介绍了XGBoost算法的核心优势：自适应样本权重调整、内置正则化和高效实现。最后，文章对比了决策树集成与神经网络的应用场景。
【模式识别与机器学习（15）】主成分分析
hiliang521的博客
12-02 431
【模式识别与机器学习（15）】主成分分析
【模式识别与机器学习（16）】聚类分析【1】：基础概念与常见方法
hiliang521的博客
12-02 708
【模式识别与机器学习（16）】聚类分析【1】：基础概念与常见方法
【模式识别与机器学习（13）】神经网络与深度学习（二）：卷积神经网络、正则化、优化算法、循环神经网络
hiliang521的博客
12-02 1190
【模式识别与机器学习（13）】神经网络与深度学习（二）：卷积神经网络、正则化、优化算法、循环神经网络
【模式识别与机器学习（11）】数据预处理（第三部分）：高级技术与质量保证
hiliang521的博客
12-02 499
【模式识别与机器学习（11）】数据预处理（第三部分）：高级技术与质量保证
学习笔记二十三：支持向量机-间隔与支持向量
最新发布
dengdaijc的专栏
12-02 368
本文介绍了支持向量机(SVM)的基本原理。SVM通过在样本空间中寻找最优划分超平面来实现分类，其核心思想是最大化分类间隔以提高泛化能力。关键概念包括：划分超平面的数学表示（由法向量和位移项定义）、支持向量（决定超平面位置的最近样本点）以及间隔（反映分类置信度）。SVM的基本型是一个凸二次规划问题，通过最小化法向量范数平方来最大化间隔，同时满足所有样本正确分类的约束条件。该方法具有理论严谨、模型稀疏、全局最优等优势，是经典的分类学习算法。
【模式识别与机器学习（10）】数据预处理-第二部分：数据预处理核心方法
hiliang521的博客
12-02 595
【模式识别与机器学习（10）】数据预处理-第二部分：数据预处理核心方法
CNN-boosting
05-20
CNN-boosting是一种基于卷积神经网络(CNN)的增强学习方法，旨在提高智能体在不同任务中的性能。该方法通过将CNN和强化学习算法相结合，使智能体能够从环境中学习并适应多个任务。CNN-boosting的核心思想是使用CNN...
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