一次性聯邦學習

深度分析

FedOPAL：結合視覺提示調整的分析式一次性聯邦學習新突破

隨著邊緣裝置上大型預訓練模型的部署，聯邦學習的頻寬瓶頸日益凸顯。FedOPAL 透過視覺提示調整局部特徵，使其符合分析式聯邦學習的線性可分假設，僅以一次通訊完成聚合，且伺服器不需額外訓練。實驗顯示在多項異質資料集上，其準確度可與最先進的迭代方法持平，且效能明顯領先傳統分析基線。