RoCo-FL框架提出
热点事件持续更新
RoCo-FL框架提出
1 篇报道1 个报道来源8 小时前更新
先了解这件事
AI 综述
Zubair Shaban、Nazreen Shah和Ranjitha Prasad提出无线联邦学习框架 RoCo-FL，用于同时应对信道噪声、衰落以及设备数据和系统差异；论文称，该框架在实验中比先进基线收敛更稳定、准确率更高，掉队设备参与时尤其明显。 RoCo-FL将本地更新建模为不精确优化，并在边缘设备端加入近端约束以稳定更新。研究针对非凸目标，以及零阶和一阶不精确模型给出收敛保证，并在 CIFAR10、CIFAR100 和 FEMNIST 数据集上进行了验证。
AI 根据报道生成 · 46 分钟前更新
最新进展10月28日 12:00
RoCo-FL：面向信道噪声与异质性的统一鲁棒收敛空中联邦学习框架报道时间线
沿着报道，了解事件的不同侧面。
10月28日
- arXiv · Machine LearningRoCo-FL：面向信道噪声与异质性的统一鲁棒收敛空中联邦学习框架
研究提出 RoCo-FL，面向无线联邦网络联合应对信道噪声、衰落以及参与设备的数据与系统异质性。该方法以不精确优化刻画本地更新，并通过边缘设备上的近端约束稳定更新；研究为非凸目标及零阶、一阶不精确模型提供收敛保证。在 CIFAR10、CIFAR100 和 FEMNIST 上的实验显示，RoCo-FL 相比先进基线收敛更稳定、准确率更高，尤其在存在掉队设备时。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。