面向跨中心联邦学习的泛化与个性化兼顾的公平性引导联邦训练

张瑞鹏; 樊子卿; 姚江超; 张娅; 王延峰

doi:10.1631/FITEE.2400279

Your Location：

Home >

Browse articles >

面向跨中心联邦学习的泛化与个性化兼顾的公平性引导联邦训练

常规文章 | Updated：2025-03-13

- 面向跨中心联邦学习的泛化与个性化兼顾的公平性引导联邦训练
  Enhanced Publication
- Fairness-guided federated training for generalization and personalization in cross-silo federated learning
- “在人工智能领域，本文介绍了其在跨筒仓联邦学习方面的研究进展。专家xx建立了公平引导的泛化和个性化联合训练（FFT-GP）系统，该系统为解决数据异构问题和平衡联合学习中的个性化和泛化提供了解决方案。”
- 信息与电子工程前沿（英文） 2025年26卷第1期页码：42-61
- Affiliations：
  
  1.School of Artificial Intelligence, Shanghai Jiao Tong University, Shanghai 200240, China
  2.Cooperative Medianet Innovation Center, Shanghai Jiao Tong University, Shanghai 200240, China
  3.Shanghai Artificial Intelligence Laboratory, Shanghai 200232, China
- Author bio：
  
  ‡Corresponding authors
- Funds：
  
  National Key R&D Program of China(2022ZD0160702);STCSM(22511106101;18DZ2270700;21DZ1100-100);111 Plan(BP0719010);State Key Laboratory of UHD Video and Audio Production and Presentation
- DOI：10.1631/FITEE.2400279
  中图分类号： TP391.4
- 收稿日期：2024-04-12，
  
  修回日期：2024-05-14，
  
  网络出版日期：2024-12-16，
  
  纸质出版日期：2025-01
- Accepted：
Scan QR Code
张瑞鹏, 樊子卿, 姚江超, 等. 面向跨中心联邦学习的泛化与个性化兼顾的公平性引导联邦训练[J]. 信息与电子工程前沿（英文）, 2025,26(1):42-61.

Ruipeng ZHANG, Ziqing FAN, Jiangchao YAO, et al. Fairness-guided federated training for generalization and personalization in cross-silo federated learning[J]. Frontiers of information technology & electronic engineering, 2025, 26(1): 42-61.
张瑞鹏, 樊子卿, 姚江超, 等. 面向跨中心联邦学习的泛化与个性化兼顾的公平性引导联邦训练[J]. 信息与电子工程前沿（英文）, 2025,26(1):42-61. DOI： 10.1631/FITEE.2400279.

Ruipeng ZHANG, Ziqing FAN, Jiangchao YAO, et al. Fairness-guided federated training for generalization and personalization in cross-silo federated learning[J]. Frontiers of information technology & electronic engineering, 2025, 26(1): 42-61. DOI： 10.1631/FITEE.2400279.

浏览量

Downloads

CSCD

文章被引用时，请邮件提醒。

Submit

工具集

关联资源

暂无数据

面向跨中心联邦学习的泛化与个性化兼顾的公平性引导联邦训练

Fairness-guided federated training for generalization and personalization in cross-silo federated learning

DOI：10.1631/FITEE.2400279