异构设备精度提升17%
通过模型嫁接与设备选择策略，在内存异构设备间实现无需额外数据或架构相似性的知识共享。
Liu, Ruixuan · 胡鸣 · Zeke, Xia · Xie, Xiaofei · 夏珺 · 张鹏云 · Huang, Yihao · 陈铭松
IEEE Transactions on Mobile Computing 2025
在多种内存受限场景下，与最优异构联邦学习方法相比，推理精度最高提升17%，且无需额外数据或架构相似性。
通过模型划分与嫁接机制，所有设备模型被嫁接到公共根茎上，知识共享不再要求模型架构相似。
FedGraft的知识聚合过程不需要任何额外训练数据，直接从全局模型提取子模型分派给设备。