Rethinking Architecture Design for Tackling Data Heterogeneity in Federated Learning

Federated learning is an emerging research paradigm enabling collaborative training of machine learning models among different organizations while keeping data private at each institution. Despite recent progress, there remain fundamental challenges such as the lack of convergence and the potential...

Celý popis

Podrobná bibliografie

Vydáno v:	Proceedings (IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Online) Ročník 2022; s. 10051 - 10061
Hlavní autoři:	Qu, Liangqiong, Zhou, Yuyin, Liang, Paul Pu, Xia, Yingda, Wang, Feifei, Adeli, Ehsan, Fei-Fei, Li, Rubin, Daniel
Médium:	Konferenční příspěvek Journal Article
Jazyk:	angličtina
Vydáno:	United States IEEE 01.06.2022
Témata:	Computer architecture Data models Federated learning Organizations Privacy and federated learning Robustness Training Transformers
ISSN:	1063-6919, 1063-6919
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!