BESplit：带证据聚合的拆分联邦学习框架
热点事件持续更新
BESplit：带证据聚合的拆分联邦学习框架
1 篇报道1 个报道来源7 小时前更新
先了解这件事
AI 综述
Yuhan Xie、Chen Lyu、Jingrong Huang 提出并发布拆分联邦学习框架 BESplit。作者称，这是一个感知架构的框架，它利用拆分联邦学习（SFL）自身的结构来缓解非IID数据带来的影响。 该框架包含三项机制：证据聚合（EA）按证据不确定性对客户端贡献做细粒度重加权；偏差补偿协作（BCC）对齐拆分层表示；双教师蒸馏（DTD）同步客户端与服务器模型。
AI 根据报道生成 · 1 小时前更新
最新进展11月3日 13:00
BESplit：带证据聚合的偏差补偿拆分联邦学习框架报道时间线
沿着报道，了解事件的不同侧面。
11月3日
- arXiv · cs.AIBESplit：带证据聚合的偏差补偿拆分联邦学习框架
研究者提出拆分联邦学习框架 BESplit，用证据聚合（EA，Evidential Aggregation）按证据不确定性对客户端贡献做细粒度重加权，并用偏差补偿协作（BCC，Bias-Compensated Collaboration）对齐拆分层表示、双教师蒸馏（DTD，Dual-Teacher Distillation）同步客户端与服务器模型。
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。