联邦学习的泛化分析 | 青年科学家-43

点击蓝字

06f1cf3a606858698973abbe19370e66.jpeg

关注我们

AI TIME欢迎每一位AI爱好者的加入!

508ac048113ffb4f578ba75d23029238.jpeg

哔哩哔哩直播通道

扫码关注AI TIME哔哩哔哩官方账号预约直播

ef2c4f8201824e0fd758c5c2bbff3ccb.gif

✦+

+

活动时间

3月30日  19:00-20:00

+

邀请嘉宾

3a508a74ac863bb814fa61e7cb43473e.jpeg

讲者简介

刘勇

中国人民大学,准聘副教授、博士生导师。从事机器学习研究,特别关注统计学习理论。在顶级期刊和会议上发表论文60余篇,其中以第一作者或通讯作者发表CCF A类文章30余篇,涵盖机器学习领域顶级期刊TPAMI、AI和顶级会议ICML,NeurIPS,ICLR等。曾获中国人民大学“杰出学者”、中国科学院“青年创新促进会”会员以及中国科学院信息工程研究所“引进优秀人才”称号。主持多项科研基金项目,包括国家自然科学面上/青年项目、中国科学院基础前沿科学研究计划、微信专项项目、腾讯犀牛鸟基金、联通联合项目、华为联合项目等。

报告题目

联邦学习的泛化分析

报告简介

在典型的联邦学习场景中,不同客户端(用户)对应的数据分布并不相同。由于隐私保护和无线网络稳定性等因素的限制,实际参与联邦学习训练的客户端往往只占全部客户端的一小部分。考虑到未参与训练的客户端与参与训练的客户端存在数据分布上的差异,参与训练的客户端训练好的模型能不能使得未参与训练的客户端获益成为亟待回答的问题。联邦学习社区已有工作大多只关注训练过程中的优化收敛速度,泛化分析方面仅有的工作也只是考虑了参与训练的客户端。本报告对未参与训练的客户端对应的泛化性能进行了分析,从理论上阐明了影响未参与训练的客户端获益的因素。

请添加“AI TIME小助手(微信号:AITIME_HY)”,回复“ICLR”,将拉您进群!

015f18e93c970dffd9d303768ed04ec2.gif

AI TIME微信小助手

3cca843692ef0ae383d0e39fa2a2cfef.jpeg

往期精彩文章推荐

306b9caebc03c2bc79a66257c6ac070b.jpeg

记得关注我们呀!每天都有新知识!

 关于AI TIME 

AI TIME源起于2019年,旨在发扬科学思辨精神,邀请各界人士对人工智能理论、算法和场景应用的本质问题进行探索,加强思想碰撞,链接全球AI学者、行业专家和爱好者,希望以辩论的形式,探讨人工智能和人类未来之间的矛盾,探索人工智能领域的未来。

迄今为止,AI TIME已经邀请了900多位海内外讲者,举办了逾500场活动,超500万人次观看。

47c1c4c3df9d4e050e7ccdbb004ea96b.png

我知道你

在看

~

9f872f1f90e6e1ab0b3fe868cee07162.gif

点击 阅读原文 预约直播!

猜你喜欢

转载自blog.csdn.net/AITIME_HY/article/details/129787390