基于可训练全局原型与自适应间距优化的联邦学习系统
知识产权简介
FedTGP的新型联邦学习软件。它旨在通过可训练的全局原型(Trainable Global Prototypes, TGP)和自适应边距增强对比学习(Adaptive-margin-enhanced Contrastive Learning, ACL)技术,有效增强不同类别的可分离性,从而提高联邦学习在数据和模型异质性场景下的性能,同时降低通信成本,保护数据隐私。该软件不仅能够适应不同的模型架构和数据分布,还能通过对比学习使全局原型在保持语义信息的同时,具有更好的类间区分能力,为联邦学习的发展提供了一种更有效的解决方案。
转化前景
该软件提高联邦学习在数据和模型异质性场景下的性能,同时降低通信成本,保护数据隐私。该软件不仅能够适应不同的模型架构和数据分布,还能通过对比学习使全局原型在保持语义信息的同时,具有更好的类间区分能力,为联邦学习的发展提供了一种更有效的解决方案。系统可以广泛应用于企业的机器学习算法训练过程中,从而能够在不提供数据的情况下也可以用来提高训练质量。