研究者提出免训练联邦图学习框架SPEAR

研究者提出SPEAR，一个完全无需训练的联邦图学习框架，将一次性联邦图学习重新表述为统计估计问题：客户端直接在原始特征空间从本地图计算拓扑平滑的类原型，服务器再用样本量自适应收缩估计器聚合，降低不可靠本地估计的权重。 据作者称，SPEAR在七个基准的极端异构条件下持续达到SOTA精度，并较所有基线至少提速一个数量级，对生成式和蒸馏类方法提速达数个数量级。代码已开源。

AI 根据报道生成 · 2 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。