模型Priority-Constrained Federated optimization
FedPCD
一种面向公平性的联邦学习优化框架，通过优先约束机制将全局优化目标与客户端保护机制解耦，在保持全局精度的同时改善弱势客户端的性能表现
时间轴 (近 90 天)
10月12日
FedPCD（Priority-Constrained Federated optimization）的核心设计是将全局优化目标与客户端保护机制明确分离，保留传统联邦聚合作为主目标，只施加满足客户端性能约束所必需的最小修正
待验证50%
10月12日
FedPCD通过约束优化建模把修正量限制在恰好满足约束的程度，从而把对主目标的干扰降到最低
待验证50%
10月12日
在多个异质性联邦学习基准测试中，FedPCD在所有配置下均取得了最高的全局准确率
待验证50%
10月12日
FedPCD在几乎所有配置中的最差10%客户端精度（worst-10% client accuracy）这一公平性指标上处于领先地位
待验证50%
10月12日
FedPCD能够在显著更少的通信轮次内达到与基线相当甚至更优的性能
待验证50%
全部知识事实 (5)
待验证
FedPCD（Priority-Constrained Federated optimization）的核心设计是将全局优化目标与客户端保护机制明确分离，保留传统联邦聚合作为主目标，只施加满足客户端性能约束所必需的最小修正
50%待验证FedPCD通过约束优化建模把修正量限制在恰好满足约束的程度，从而把对主目标的干扰降到最低
50%待验证在多个异质性联邦学习基准测试中，FedPCD在所有配置下均取得了最高的全局准确率
50%待验证FedPCD在几乎所有配置中的最差10%客户端精度（worst-10% client accuracy）这一公平性指标上处于领先地位
50%待验证FedPCD能够在显著更少的通信轮次内达到与基线相当甚至更优的性能
50%