打破数据孤岛：联邦学习近期重要研究进展(12)
表 2. CIFAR-10 和 MNIST 的 Non-IID 设置结果.
图9/49
图10/49
图 3. Non-IID 设置中对应不同截止时间的准确度曲线.
总结与分析
本文提出了一个新的联邦学习框架 FedCS，其目标是在一个异构客户端的 MEC 框架中高效地完成联邦学习。本文验证实验中采用经典的深度神经网络建模，后续可以探讨利用更多的数据训练更复杂的模型。此外，未来工作的另一个可能的方向是处理动态的应用场景，例如在资源的平均数量以及更新和上传所需时间动态波动的情况下如何改进联邦学习性能。
Agnostic Federated Learning
推荐阅读
- 捉迷藏|?LOL世界赛“含金量”数据出炉：EDG仅排第六，IG稳居榜首
- ag战队|AG超玩会的轮换就是花架子，一诺英雄达到十八位，打破单赛季纪录
- 碧蓝航线|碧蓝航线SR重巡福煦数据详解 期待越高失望越大 强度平平无奇
- kramer|国服极地大乱斗数据上线，来看看胜率榜符合你的预期吗？
- 孤岛惊魂6|英雄联盟世界赛参赛队分析！EDG战队！
- 米莱狄|峡谷数据榜：分均输出TOP5，干将莫邪只排第四，米莱狄至今被误解
- 育碧|“不患均而患不寡”，育碧给刺客信条和孤岛惊魂团队涨薪
- ai|S11AI预测离全对就差最后一场！EDG能否打破不败之身？
- |S11淘汰赛数据盘点：场均时长为33分 55个不同英雄登场
- 中单|2021年英雄联盟世界赛终于落下帷幕！！大数据统计二！！