基于逐层多阈值随机草图法的通信高效个性化联邦学习

研究人员提出一种基于分层多阈值随机草图的通信高效个性化联邦学习框架。该方案为神经网络每一层分配独立的量化阈值集合，使压缩表示能够适应各层特定的统计特性，并利用多个区间提供细粒度的低比特描述。实验结果表明，该方法支持双向通信并使用紧凑的低比特草图，相比现有的单阈值一比特压缩方法，显著改善了通信开销与模型精度之间的权衡关系。