基于L0约束的联邦学习用于稀疏性

Research Paper#Federated Learning, Sparsity, L0 Constraint, Probabilistic Gates🔬 Research|分析: 2026年1月3日 19:16•
发布: 2025年12月28日 20:33
•
1分で読める
•ArXiv

分析

本文解决了联邦学习（FL）中由于数据和模型固有的稀疏性，尤其是在异构条件下，导致的模型密度过高和泛化能力差的问题。它提出了一种新方法，使用概率门及其连续松弛来对模型的非零参数施加L0约束。该方法旨在实现参数的目标密度（rho），从而提高FL中的通信效率和统计性能。
引用 / 来源
查看原文
"The paper demonstrates that the target density (rho) of parameters can be achieved in FL, under data and client participation heterogeneity, with minimal loss in statistical performance."
A
ArXiv2025年12月28日 20:33
* 根据版权法第32条进行合法引用。
较旧

Thermodynamically Consistent Vibrational-Electron Heating: Generalized Model for Multi-Quantum Transitions

较新

FLEX-MoE: Federated Mixture-of-Experts with Load-balanced Expert Assignment

相关分析

Research Paper

SpaceTimePilot：时空控制的生成视频渲染

2026年1月3日 06:10

Research Paper

量子混沌哈密顿量演化下的随机性生成

2026年1月3日 06:10

Research Paper

GaMO：几何感知扩散用于稀疏视角3D重建

2026年1月3日 06:32

来源: ArXiv