跳到正文
arXiv · ML· Shudi Weng, Chao Ren, Ming Xiao, Mikael Skoglund·· 2026-10-12AI 评分26

FedACS:联邦学习中感知异构性的客户端采样方法

Heterogeneity-Aware Client Sampling for Optimal and Efficient Federated Learning

AI 导读

联邦学习中的通信与计算异构性会导致全局模型收敛至错误驻点。该论文提出了FedACS方法,从理论上统一分析了异构性对优化轨迹的联合影响,证明了其在动态异构环境下能以$O(1/\sqrt{R})$的速率收敛至正确最优解。 实验表明,FedACS在多个数据集上性能优于现有基准,准确率提升4.3%至36%,同时将通信成本降低22%至89%,计算负载降低14%至105%。

来源:arXiv · ML · arxiv.org