Federico Lucchetti 提交 CovFedAvg 联邦学习论文
热点事件持续更新
Federico Lucchetti 提交 CovFedAvg 联邦学习论文
1 篇报道1 个报道来源18 小时前更新
先了解这件事
AI 综述
Federico Lucchetti 在 arXiv 提交论文，提出联邦学习方法 CovFedAvg：客户端保留本地模型与曲线控制，通过聚合梯度贡献拟合共同端点，并以分布式训练损失选择候选模型，无需集中校准数据或客户端间样本交换。 论文结果显示，相比 FedAvg 有适度增益：在宽度 16 的设置下，参与方 Gas 任务的宏平均平衡准确率从 88.88% 提升至 89.84%，而匹配的分布式微调达 91.65%。实验覆盖合成任务、活动识别与气体传感器数据。论文未证明 CovFedAvg 相对同等成本优化方法的优势。
AI 根据报道生成 · 1 小时前更新
最新进展10月29日 20:12
CovFedAvg：本地低损失曲线与联邦模型选择报道时间线
沿着报道，了解事件的不同侧面。
10月29日
- arXiv · cs.AICovFedAvg：本地低损失曲线与联邦模型选择
论文提出联邦学习方法 CovFedAvg，客户端保留本地模型与曲线控制，通过聚合梯度贡献拟合共同端点，并以分布式训练损失选择候选模型，无需集中校准数据或客户端间样本交换。在合成任务、活动识别与气体传感器数据上，宽度 16 时 CovFedAvg 将参与方 Gas 任务的宏平均平衡准确率从 FedAvg 的 88.88% 提升至 89.84%，而匹配的分布式微调达 91.65%。结果显示相比 FedAvg 有适度增益，但未证明相对同等成本优化方法的优势。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。