EVENT DOSSIER
The researchers proposed the RegionFed architecture for a robust federated learning framework, aimed at addressing the challenges of personalized query understanding in heterogeneous retail environments. This framework relies on gradient-level operations and utilizes the conflict signal of local and global gradients to diagnose data heterogeneity. It adaptsively controls the intensity of personalized strategies and supports direct deployment of various models such as T5-Small, T5-3B, RoBERTa, and CNN without code modifications. Experiments on three datasets: Amazon ESCI, Amazon Reviews, and LEAF-FEMNIST, showed that RegionFed-Meta achieved an accuracy of 92.27% in all four architectures, approaching the upper limit of privacy violations (92.04%), while providing a differential privacy guarantee of approximately 0.60 and a convergence speed of \u03a8(1/\u221aT).
RegionFed 提出一种架构鲁棒的联邦学习框架，在异构零售环境中实现个性化查询理解。该方法基于区域与全局梯度的$\ell_2$冲突信号，诊断数据异质性并自适应控制个性化强度，支持 T5-Small、T5-3B、RoBERTa 及 CN…
研究人员提出 RegionFed，一种在异构零售环境中实现个性化查询理解的架构鲁棒联邦学习框架。该框架完全基于梯度层面操作，利用区域与全局梯度的$\ell_2$冲突信号诊断异质性、选择最优个性化策略并自适应控制强度。RegionFed 无…
RegionFed 提出一种架构鲁棒的联邦学习框架，在异构零售环境中实现个性化查询理解。该方法基于区域与全局梯度的$\ell_2$冲突信号，诊断数据异质性并自适应控制个性化强度，支持 T5-Small、T5-3B、RoBERTa 及 CNN 等模型无需代码修改直接部署。在 Amazon ESCI、Amazon Reviews 和 LEAF-FEMNIST 三个数据集上测试，RegionFed-Meta 在四种架构中取得 92.27% 的准确率，接近违反隐私保护的集中式上限（92.04%），同时提供约 0.60 的差分隐私及$\mathcal{O}(1/\sqrt{T})$收敛速度。
研究人员提出 RegionFed，一种在异构零售环境中实现个性化查询理解的架构鲁棒联邦学习框架。该框架完全基于梯度层面操作，利用区域与全局梯度的$\ell_2$冲突信号诊断异质性、选择最优个性化策略并自适应控制强度。RegionFed 无需修改代码即可部署于 T5-Small、T5-3B、RoBERTa 及 CNN 等四种架构上，在 Transformer 模型上避免了参数级方法导致的精度崩塌问题。在 Amazon ESCI、Amazon Reviews 和 LEAF-FEMNIST 三个数据集上的实验中，RegionFed-Meta 达到 92.27% 的准确率，接近违反隐私保护的集中式上限（92.04%），同时提供约 0.60 的微分隐私保证及$\mathcal{O}(1/\sqrt{T})$收敛速度。