第五篇：Federated Learning with Personalization Layers联邦学习个性化论文解读

第一部分：论文基本信息

2019使用个性化层进行联合学习Machine Learning (cs.LG); Distributed, Parallel, and Cluster Computing (cs.DC); Optimization and Control (math.OC)

第二部分：论文获取

通过网盘分享的文件：Federated Learning with Personalization Layers.pdf
链接: https://pan.baidu.com/s/1hZCd7udLwYtGIdFXhSV3IQ?pwd=qq74 提取码: qq74
--来自百度网盘超级会员v5的分享

第三部分：中文论文解读

（1）解决的基本问题

解决联邦学习目前存在的问题：跨用户设备数据的统计异构性会严重降低标准联邦平均对传统机器学习应用的性能，比如深度学习的个性化。

联邦学习的新范式试图使在网络边缘上实现机器学习模型的协作训练，而无需集中聚合原始数据，从而提高数据隐私。这与传统的机器学习有很大的不同，需要设计对各种异质性来源具有鲁棒性的算法。尤其是，跨用户设备数据的统计异构性会严重降低标准联邦平均对传统机器学习应用的性能，比如深度学习的个性化。本文提出了FedPer，一种用于深度前馈神经网络联邦训练的基础+个性化层方法&#