Communication-Efficient Learning of Deep Networks from Decentralized\n Data

• 类型：arxiv
• 标识：1602.05629
• 链接：https://arxiv.org/abs/1602.05629
• 主题：evaluation
• 主分类：engineering
• 形态：method
• 被引：26521
• 被引来源：Semantic Scholar
• S2被引：26521
• OpenAlex被引：5183
• 影响力被引：5240
• TLDR：This work presents a practical method for the federated learning of deep networks based on iterative model averaging, and conducts an extensive empirical evaluation, considering five different model architectures and four datasets.
• OpenAlex ID：W2541884796
• OpenAlex DOI：10.48550/arxiv.1602.05629
• DOI：10.48550/arxiv.1602.05629
• DOI来源：OpenAlex
• 开放获取：green
• 开放获取链接：https://arxiv.org/pdf/1602.05629
• OpenAlex更新：2026-08-25
• 待LLM分类：否
• 成熟度：production
• 场景：federated learning、distributed training、decentralized data
• 标题中文：从去中心化数据通信高效地学习深度网络
• TLDR中文：本文提出了一种基于迭代模型平均的深度网络联邦学习实践方法，并进行了广泛的实证评估，考虑了五种不同的模型架构和四个数据集。
• 来源文件：
• [OpenAlex discover]
• [S2 enrich]