本研究解决了联邦学习中由于客户端的计算和通信资源限制而导致的大规模模型部署困难的问题。提出的fedmoe-da框架结合了混合专家架构和领域感知的细粒度聚合策略,显著提高了模型的鲁棒性、个性化和通信效率。实验结果表明,该框架在保持优秀性能的同时显著减少了服务器的通信压力。
本研究提出了fedmoe-da框架,解决了联邦学习中因客户端资源限制导致的大规模模型部署问题。该框架结合混合专家架构与领域感知聚合策略,提升了模型的鲁棒性和通信效率,减轻了服务器的通信负担。
本研究解决了联邦学习中由于客户端的计算和通信资源限制而导致的大规模模型部署困难的问题。提出的fedmoe-da框架结合了混合专家架构和领域感知的细粒度聚合策略,显著提高了模型的鲁棒性、个性化和通信效率。实验结果表明,该框架在保持优秀性能的同时显著减少了服务器的通信压力。
本研究提出了fedmoe-da框架,解决了联邦学习中因客户端资源限制导致的大规模模型部署问题。该框架结合混合专家架构与领域感知聚合策略,提升了模型的鲁棒性和通信效率,减轻了服务器的通信负担。