arXiv cs.AI· Shudi Weng, Chao Ren, Ming Xiao, Mikael Skoglund·· 5 小时前AI 评分22
FedACS：面向异构联邦学习的最优高效客户端采样方法
Heterogeneity-Aware Client Sampling for Optimal and Efficient Federated Learning
AI 导读
研究者提出联邦异构感知客户端采样方法 FedACS，用于消除通信与计算异构导致的联邦学习目标不一致问题。该工作首次对一般异构联邦学习做统一理论分析，证明 FedACS 在动态异构环境下以 O(1/√R) 速率收敛到正确最优解。多数据集实验显示其性能超越 SOTA 及类别专用基线 4.3%-36%，通信成本降低 22%-89%，计算负载降低 14%-105%。
来源：arXiv cs.AI · arxiv.org