FKPL框架应对域偏移联邦学习挑战

研究人员Haotian Wu等人提出了联邦知识保持学习（FKPL）框架，该框架包含两个阶段：先进行领域导向的专家训练，再进行基于原型的分类器校准，旨在应对联邦学习中的域偏移问题。 在Office-Caltech-10、PACS和DomainNet数据子集上的测试结果显示，FKPL框架的平均准确率分别为73.01%、67.00%和64.51%，证明了该方法在跨域数据下的有效性和知识保持能力。

AI 根据报道生成 · 48 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。