Your Location:
Home >
Browse articles >
联邦相互学习:一种针对异构数据、模型和目标的协同机器学习方法
常规文章 | Updated:2023-10-25
    • 联邦相互学习:一种针对异构数据、模型和目标的协同机器学习方法

      Enhanced Publication
    • Federated mutual learning: a collaborative machine learning method for heterogeneous data, models, and objectives

    • 信息与电子工程前沿(英文)   2023年24卷第10期 页码:1390-1402
    • DOI:10.1631/FITEE.2300098    

      中图分类号: TP39
    • 纸质出版日期:2023-10-0

      网络出版日期:2023-08-05

      收稿日期:2023-02-20

      录用日期:2023-04-07

    Scan QR Code

  • 沈弢, 张杰, 贾鑫康, 等. 联邦相互学习:一种针对异构数据、模型和目标的协同机器学习方法[J]. 信息与电子工程前沿(英文), 2023,24(10):1390-1402. DOI: 10.1631/FITEE.2300098.

    TAO SHEN, JIE ZHANG, XINKANG JIA, et al. Federated mutual learning: a collaborative machine learning method for heterogeneous data, models, and objectives. [J]. Frontiers of information technology & electronic engineering, 2023, 24(10): 1390-1402. DOI: 10.1631/FITEE.2300098.

  •  
  •  

0

浏览量

79

Downloads

0

CSCD

>
文章被引用时,请邮件提醒。
Submit
工具集
下载
参考文献导出
分享
收藏
添加至我的专辑

相关文章

Federated learning on non-IID and long-tailed data via dual-decoupling
Communication efficiency optimization of federated learning for computing and network convergence of 6G networks
A survey of energy-efficient strategies for federated learning in mobile edge computing
Multi-exit self-distillation with appropriate teachers
Federated unsupervised representation learning

相关作者

王宝金
胡仁豪
李晋国
李红娇
王朝晖
张兴
张禹舜
卫敏

相关机构

上海电力大学计算机科学与技术学院
中国电信股份有限公司北京分公司
中国电信股份有限公司研究院
北京邮电大学无线信号处理与网络实验室
中国科学技术大学计算机科学与技术学院
0