联邦学习中提出客户端感知的早退出ViT方法
热点事件观察中
联邦学习中提出客户端感知的早退出ViT方法
1 篇报道1 个报道来源1 天前更新
先了解这件事
AI 综述
该方法属论文声称的模拟结果：安全感知路由在 CIFAR-10 上达 88.70% 准确率并节省 32.0% 深度，ImageNet-1K top-1 为 73.7% 并节省 30%；在六客户端 non-IID CIFAR-100 上，全深度准确率 72.28%，四个异构联邦学习基线为 68.20–71.80%，鲁棒性感知路由达 70.01% 并节省 32.55%。论文摘要之外的性能与部署情况材料未说明。
AI 根据报道生成 · 14 小时前更新
最新进展10月20日 12:00
面向异构联邦学习的客户端感知安全自适应早退出视觉 Transformer报道时间线
沿着报道，了解事件的不同侧面。
10月20日
- arXiv · cs.AI面向异构联邦学习的客户端感知安全自适应早退出视觉 Transformer
研究提出面向异构联邦学习的客户端感知安全自适应早退出视觉 Transformer（ViT），通过客户端基础阈值和逐样本特征调节提前退出与路由。
本事件热度走势
- 可比范围当前
- 4
- 可比范围峰值
- 610月21日 06:00
- 近 24 小时变化
- –
0246
06:0008:0010:0012:0014:0016:0018:00
趋势仅比较持续完整观测到的相同主体，范围可能小于当前热度统计。移动指针或点击图表查看每小时热度；键盘可用左右方向键切换。