基于稀疏模型自适应的高效个性化联邦学习（英文版）

英文标题：Efficient Personalized Federated Learning via Sparse Model-Adaptation中文摘要：提出一种名为 pFedGate 的方法，通过自适应和高效地学习稀疏本地模型来实现高效个性化联邦学习，并通过轻量级可训练的门控层使客户端生成不同的稀疏模型，同时考虑到异构的数据分布和资源限制，实现了计算和通信的效率提高，理论上的收敛性和泛化误差更优越，实验证明该方法相对于同类方法能够同时实现更高的全局准确性、个体准确性和效率，并能够适应不同的数据分布。英文摘要：Federated Learning (FL) aims to train machine learning models for multipleclients without sharing their own private data. Due to the heterogeneity ofclients' local data distribution, recent studies explore the personalized FLthat learns and