Robust Federated Learning With Noisy Labeled Data Through Loss Function Correction

Federated learning (FL) is a communication-efficient machine learning paradigm to leverage distributed data at the network edge. Nevertheless, FL usually fails to train a high-quality model from the networks, where the edge nodes collect noisy labeled data. To tackle this challenge, this paper focus...

Celý popis

Uloženo v:

Podrobná bibliografie
Vydáno v:	IEEE transactions on network science and engineering Ročník 10; číslo 3; s. 1 - 11
Hlavní autoři:	Chen, Li, Ang, Fan, Chen, Yunfei
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Piscataway IEEE 01.05.2023 The Institute of Electrical and Electronics Engineers, Inc. (IEEE)
Témata:	Convergence Data models Datasets Distributed networks Federated learning label noise Loss measurement Machine learning Nodes Noise measurement non-convex optimization parallel and distributed algorithms robust design Robustness Servers Training
ISSN:	2327-4697, 2334-329X
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!