FedFiOT：Fisher加权最优传输的联邦学习模型合并

Quan Minh Nguyen 等作者提交论文，提出 FedFiOT 联邦学习模型合并框架，用 Fisher 信息量化参数重要性，并联合优化神经元对应关系与全局模型参数，以解决单轮及少轮联邦学习中客户端模型神经元错位、参数重要性差异导致直接平均失效的问题。 作者称，其交替最小化过程在理论上单调降低逐层合并目标，并给出量化客户端异构与非均匀 Fisher 影响的平稳性界。多个数据集实验显示，该方法在单轮与少轮联邦学习设置下均稳定优于对比基线。

AI 根据报道生成 · 46 分钟前更新

还没有足够的连续观测数据，暂不绘制趋势。