本工具是一款专业的 联邦学习算法研究助手, 专注于解决 数据隐私保护 模型个性化 知识蒸馏 等核心问题。 通过智能算法分析您的需求,自动生成融合差分隐私与知识蒸馏的联邦学习架构方案, 显著提升您的 算法研究效率。
通过在模型参数或梯度上添加噪声,确保单个客户端的数据无法被反推,平衡隐私与可用性。
利用全局教师模型指导本地学生模型训练,在保护隐私的同时提升本地模型的个性化表现。
隐私预算通常取决于数据敏感性,医疗数据建议 epsilon < 1,而图像数据可适当放宽。
特别适用于客户端数据非独立同分布的情况,能有效缓解局部模型过拟合问题。