据TechXplore网9月7日消息，美国麻省理工学院研究人员开发出新型的联邦机器学习算法FedLTN，提高了其综合性能。联邦学习是一种分布式机器学习技术，可保护用户数据隐私。过去，联邦学习面临通信成本高、分布数据类型多和分布用户模型非个性化的问题，严重影响了模型的性能和部署。研究人员通过迭代修剪过程优化模型大小，并将修剪后的神经网络其余部分“倒回”到其原始值的步骤来加速修剪，而且在这个过程中不会剪掉网络中捕获有关分布用户特定数据的重要信息层，以保证分布用户模型的个性化。实验表明，FedLTN将联邦学习模型的大小降低了近1个数量级、分布用户的通信成本降低了4到6倍、综合性能提高了约10%。

消息来源：https://techxplore.com/news/2022-09-collaborative-machine-privacy.html