跳到正文
热点事件持续更新

研究者提出联邦多层学习框架FPLL并证明收敛性

1 篇报道1 个报道来源4 小时前更新

先了解这件事

AI 综述

Yang Jiao、Kai Yang、Jianwei Huang 在 arXiv 发布论文,提出联邦多层学习框架 FPLL,在分布式网络上以联邦方式求解带软约束的多层学习(PLL)问题,并给出收敛性保证。该论文已被 IEEE Transactions on Networking 接收。 方法核心是用于逐层松弛的新型非线性割 L-cut,算法提供可调参数,可在计算复杂度与性能之间权衡;作者称分析给出了达到 ε-Pareto 稳定点的迭代复杂度非渐近结果,实验验证了方法有效性。

AI 根据报道生成 · 3 小时前更新

报道时间线

沿着报道,了解事件的不同侧面。

11月16日
  1. arXiv cs.AI
    FPLL:分布式网络上的联邦软多层学习框架与收敛性保证

    研究者提出联邦多层学习框架 FPLL,在分布式网络上以联邦方式求解带软约束的多层学习(PLL)问题,核心是用于逐层松弛的新型非线性割 L-cut。算法提供可调参数,可在计算复杂度与性能之间灵活权衡,并给出达到 ε-Pareto 稳定点的迭代复杂度非渐近分析,实验验证了方法的有效性。该工作已被 IEEE Transactions on Networking 接收。

本事件热度走势

可比范围当前
9
可比范围峰值
1011月16日 14:00
近 24 小时变化
–

趋势仅比较持续完整观测到的相同主体,范围可能小于当前热度统计。移动指针或点击图表查看每小时热度;键盘可用左右方向键切换。