其中为局部学习率,,和为独立的batch, 最后各client把上传给server进行平均作为下一次迭代的初始值,迭代次后得到meta模型。 (3)模型插值 联邦学习中在共同训练全局模型的同时各client也在训练自己的本地模型,因此一个自然而然的想法便是对全局模型与本地模型进行插值从而得到各个client的个性化模型,即。令为全局模型,...
其中为局部学习率,,和为独立的batch, 最后各client把上传给server进行平均作为下一次迭代的初始值,迭代次后得到meta模型。 (3)模型插值 联邦学习中在共同训练全局模型的同时各client也在训练自己的本地模型,因此一个自然而然的想法便是对全局模型与本地模型进行插值从而得到各个client的个性化模型,即。令为全局模型,...
其中为局部学习率,,和为独立的batch, 最后各client把上传给server进行平均作为下一次迭代的初始值,迭代次后得到meta模型。 (3)模型插值 联邦学习中在共同训练全局模型的同时各client也在训练自己的本地模型,因此一个自然而然的想法便是对全局模型与本地模型进行插值从而得到各个client的个性化模型,即。令为全局模型,...