在体育图像分类上使用局部自适应蒸来实现FedSAM的一致性

科学领域:

• 人工智能的人工智能
• 机器学习 机器学习
• 计算机视觉 计算机视觉

背景情况:

• 联合学习 (FL) 实现了维护隐私的协作模式培训.
• 在FL中非IID数据导致模型变异,并阻碍了全球模型的趋同.
• 像FedSAM这样的现有方法解决了差异,但面临着平滑性不一致.

研究的目的:

• 提出A-FedSAM,一个新的FL范式来解决平滑性不一致性.
• 为了提高全球模型的融合精度在FL与非IID数据.
• 在没有额外的通信开销的情况下,在本地和全球模型之间实现一致的平滑.

主要方法:

• 引入了A-FedSAM,这是FL的适应性局部蒸框架.
• 用全球模型作为教师进行本地模型培训.
• 动态引导的本地模型梯度以实现平滑性和全球目标对齐.

主要成果:

• 在体育图像分类任务中,A-FedSAM表现出卓越的准确性.
• 该方法在不同的数据异质性和客户采样率中超过了最先进的FL技术.
• 在减少通信和计算资源的情况下实现了目标准确性.

结论:

• A-FedSAM有效地解决了FL的光滑不一致问题.
• 适应性局部蒸方法提高了全球模型的趋同性和准确性.
• A-FedSAM提供了一种高效和有效的解决方案,用于对异质数据的隐私保护学习.