RegionFed 解决零售异构环境联邦学习个性化难题
论文AI 评分 65/100arXiv cs.AI待复核
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
RegionFed 是一种架构鲁棒的联邦学习框架，通过在梯度层面而非参数层面操作，解决了现有个性化方法在 Transformer 模型上因嵌入绑定和 LayerNorm 交互导致的性能崩溃问题。该方法利用区域与全局梯度的 L2 冲突作为统一信号，诊断异质性并路由至最经济的个性化策略。实验显示，RegionFed-Meta 在 Amazon ESCI 等数据集上达到 92.27% 的准确率，与侵犯隐私的集中式上限差距仅 0.23 个百分点，同时提供差分隐私保障。
为什么值得看
解决了联邦学习在 Transformer 上个性化训练的崩溃难题，兼顾隐私与区域性能。
Meta数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。