打破“数据异质性”以改进联邦学习

AI 的研究人员解决了“联邦学习的数据异质性”这一长期存在的问题

北卡罗来纳州立大学的研究人员开发了一种新的联邦学习方法,使他们能够更快、更准确地创建准确的人工智能模型 (AI)。 该研究的重点是联邦学习的一个老问题,当用于训练 AI 的数据集是异构的时就会出现这个问题。

联邦学习是一种 AI 训练技术,它允许 AI 系统使用多组数据提高性能,而不会损害隐私。 例如,联合学习可用于使用来自多家医院的特权数据来改进 AI 诊断工具,而不会损害该数据的隐私。

联邦学习涉及多个称为客户端的设备。 客户端和中央服务器从旨在解决特定问题的模型开始。 然后每个客户端使用自己的数据来训练其本地模型,从而提高其性能。 这些由客户端发送到中央服务器的“更新”将提高其性能。 中央服务器使用这些更新来创建新的混合模型。 目标是让混合模型比单个客户端执行得更好。 这个混合模型然后由中央服务器发送回客户端。 根据需要重复该过程,直到系统达到商定的准确性或性能水平。

来源和详细信息:
https://techxplore.com/news/2022-07-ai-tackle-longstanding-heterogeneity-problem.html