打破数据孤岛：联邦学习近期重要研究进展(27)
对比算法：神经网络、聚合算法、经典联邦学习 [2]、K-means 聚类。
图29/49
图30/49
图31/49
图32/49
图 3. 单通信联邦学习.
图 3 给出了不同批次的单隐层神经网络结果。在异构分区的实验条件下，我们观察到局部 NNS 和 K-means 的性能明显下降，而 PFNM 能够保持其良好的性能。在讨论聚合性能的问题上，PFNM 与本地模型和联邦学习方法相比，改进也很明显。但是它的性能略逊于聚合方法，特别是针对 CIFAR-10 中较深的网络结构。此外我们也能看到，因为经典联邦学习方法的思路就是通过多轮通信构建全局模型，因此仅执行一轮通信回合，联邦学习方法的效果最差。
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！！