Analysis of Total Variation Minimization for Clustered Federated Learning

Alexander Jung*

*Tämän työn vastaava kirjoittaja

Tutkimustuotos: Artikkeli kirjassa/konferenssijulkaisussaConference article in proceedingsScientificvertaisarvioitu

Abstrakti

A key challenge in federated learning applications is the statistical heterogeneity of local datasets. Clustered federated learning addresses this challenge by identifying clusters of local datasets that are approximately homogeneous. One recent approach to clustered federated learning is generalized total variation minimization (GTVMin). This approach requires a similarity graph which can be obtained by domain expertise or in a data-driven fashion via graph learning techniques. Under a widely applicable clustering assumption, we derive an upper bound the deviation between GTVMin solutions and their cluster-wise averages.

AlkuperäiskieliEnglanti
Otsikko32nd European Signal Processing Conference, EUSIPCO 2024 - Proceedings
KustantajaEuropean Signal Processing Conference (EUSIPCO)
Sivut1027-1031
Sivumäärä5
ISBN (elektroninen)978-9-4645-9361-7
DOI - pysyväislinkit
TilaJulkaistu - 2024
OKM-julkaisutyyppiA4 Artikkeli konferenssijulkaisussa
TapahtumaEuropean Signal Processing Conference - Lyon, Ranska
Kesto: 26 elok. 202430 elok. 2024
Konferenssinumero: 32

Julkaisusarja

NimiEuropean Signal Processing Conference
ISSN (painettu)2219-5491

Conference

ConferenceEuropean Signal Processing Conference
LyhennettäEUSIPCO
Maa/AlueRanska
KaupunkiLyon
Ajanjakso26/08/202430/08/2024

Sormenjälki

Sukella tutkimusaiheisiin 'Analysis of Total Variation Minimization for Clustered Federated Learning'. Ne muodostavat yhdessä ainutlaatuisen sormenjäljen.

Siteeraa tätä