DROD方法解决异构联邦持续学习难题
热点事件持续更新
DROD方法解决异构联邦持续学习难题
1 篇报道1 个报道来源6 小时前更新
先了解这件事
AI 综述
2026年10月，研究团队提出DROD（双重比率有序dropout）方法，旨在解决异构模型在联邦持续学习场景下的训练问题。该方法基于ResNet-18架构，通过shortcut和branch双比率机制提取子模型，以适应异构环境。在实验评估中，共享参数和FLOP预算一致的情况下，DROD在异构模型联邦学习策略中取得了最高的平均准确率。此外，该方法在ER、DER++和BiC等主流回放策略下均表现稳定，证明了其在异构联邦学习中的优势。
AI 根据报道生成 · 2 小时前更新
最新进展10月20日 12:00
DROD: 异构设备联邦持续学习的双重比率有序dropout方法报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · MLDROD: 异构设备联邦持续学习的双重比率有序dropout方法
研究提出了DROD（双重比率有序dropout）方法，用于解决异构模型在联邦持续学习场景下的训练问题。该方法在ResNet-18架构上，通过shortcut和branch双比率机制提取子模型。 在共享参数和FLOP预算下，DROD在异构模型联邦学习策略中取得了最高平均准确率。其优势在ER、DER++和BiC等回放策略下保持稳定。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。