כתבה
arXiv cs.AI ·
FedLTLib: סטנדרט ניסויים רב-מוקדי ללמידה ארוכת-זנב
FedLTLib: A Comprehensive Benchmark for Federated Long-Tail Learning
FedLTLib היא סטנדרט ניסויים רב-מוקדי ללמידה ארוכת-זנב, המספקת סביבה ניסויים מוכנה לבדיקת תקינות וכושר כללי של אלגוריתמי FL-LT. FedLTLib כוללת 13 אלגוריתמי FL-LT ומספקת סביבה ניסויים רב-מוקדית לבדיקת תקינות וכושר כללי של אלגוריתמי FL-LT.
תקציר מקורי באנגליתarXiv:2609.15625v1 Announce Type: cross Abstract: Driven by the escalating demand for privacy-preserving computing, Federated Learning (FL) has witnessed remarkable progress, becoming a cornerstone technology for bridging distributed data silos in mobile edge networks. However, in real-world mobile computing environments, data is generated by heterogeneous mobile devices with varying user behaviors, leading to a significant Long-Tail Distribution. Unlike idealized balanced datasets, data in the wild manifests an acute imbalance where a minority of head classes dominate the sample space while a vast number of tail classes, often representing rare but critical edge-case events, are extremely scarce. This data heterogeneity, which we formally characterize as "Double Heterogeneity", referring
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית