CMFL: Mitigating Communication Overhead for Federated Learning

Federated Learning enables mobile users to collaboratively learn a global prediction model by aggregating their individual updates without sharing the privacy-sensitive data. As mobile devices usually have limited data plan and slow network connections to the central server where the global model is...

Celý popis

Podrobná bibliografie

Vydáno v:	Proceedings of the International Conference on Distributed Computing Systems s. 954 - 964
Hlavní autoři:	WANG, Luping, WANG, Wei, LI, Bo
Médium:	Konferenční příspěvek
Jazyk:	angličtina
Vydáno:	IEEE 01.07.2019
Témata:	Communication efficiency Computational modeling Convergence Data models Federated Learning Network Optimization Servers Training Training data
ISSN:	2575-8411
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!