FedPD: A Federated Learning Framework With Adaptivity to Non-IID Data

Federated Learning (FL) is popular for communication-efficient learning from distributed data. To utilize data at different clients without moving them to the cloud, algorithms such as the Federated Averaging (FedAvg) have adopted a computation then aggregation model, in which multiple local updates...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE transactions on signal processing Ročník 69; s. 6055 - 6070
Hlavní autoři:	Zhang, Xinwei, Hong, Mingyi, Dhople, Sairaj, Yin, Wotao, Liu, Yang
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	New York IEEE 2021 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Agglomeration Algorithms Communication Complexity theory Computational modeling convergence analysis data heterogeneity Data models Design optimization Distributed algorithms Distributed databases Federated learning Heterogeneity machine learning algorithms Servers Signal processing algorithms
ISSN:	1053-587X, 1941-0476
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!

Buďte první, kdo okomentuje tento záznam!