【论文阅读】FedABC: Targeting Fair Competition in Personalized Federated Learning

论文链接(AAAI2023)

文章解决的问题主要是NO-IID问题。

文章的方法包括几个关键的技术和策略,具体如下:

  • 二元分类框架:

    FedABC利用二元分类的训练策略来解决每个类别的个性化问题。这意味着对于每个类别都训练一个独立的二元分类器,从而使得每个类别都能得到足够的关注,即使是那些样本较少的类别。

  • 欠采样和硬采样策略:

    为了处理数据中的类别不平衡问题,FedABC采用了欠采样技术,这可以帮助模型减少对多数类的过分关注,从而提高对少数类的分类性能。

    硬采样(hard sample mining)策略被用来进一步提升模型对于难以分类样本的关注,这有助于模型在处理难题时获得更好的性能。

  • 个性化学习策略:

    文章强调了在极端非独立同分布(Non-IID)情况下,通过个性化模型来适应每个客户端的数据分布,这种策略可以显著提高模型在本地客户端数据上的表现。

主要就是提出了二元分类策略,将多分类变成n个二分类任务,每个二分类任务将本类别内的样本作为正样本,其他所有的类别作为负样本,这样能显著减少NOIID的影响。当然缺点应该是需要同时训练n个模型,计算的代价变高了。

相关推荐
Chandler_Song3 分钟前
【读书笔记】《有限与无限的游戏》
论文阅读
无妄无望4 小时前
目标计数论文阅读(2)Learning To Count Everything
论文阅读·everything
七元权4 小时前
论文阅读-Correlate and Excite
论文阅读·深度学习·注意力机制·双目深度估计
李加号pluuuus4 小时前
【论文阅读】Language-Guided Image Tokenization for Generation
论文阅读
ZHANG8023ZHEN4 小时前
fMoE论文阅读笔记
论文阅读·笔记
张较瘦_4 小时前
[论文阅读] 人工智能 + 软件工程 | 大语言模型驱动的多来源漏洞影响库识别研究解析
论文阅读·人工智能·语言模型
有Li12 小时前
基于联邦学习与神经架构搜索的可泛化重建:用于加速磁共振成像|文献速递-最新医学人工智能文献
论文阅读·人工智能·文献·医学生
川川子溢1 天前
【论文阅读】MEDDINOV3:如何调整视觉基础模型用于医学图像分割?
论文阅读
Xy-unu1 天前
[VL|RIS] RSRefSeg 2
论文阅读·人工智能·transformer·论文笔记·分割
张较瘦_1 天前
[论文阅读] 告别“数量为王”:双轨道会议模型+LS,破解AI时代学术交流困局
论文阅读·人工智能