Apprentissage fédéré personnalisé

L'apprentissage fédéré rencontre des défis tels que la hétérogénéité des données, la hétérogénéité des appareils et l'efficacité de la communication, en particulier lorsque la hétérogénéité des données rend difficile la formation d'un seul modèle global applicable à tous les clients. L'apprentissage fédéré personnalisé (PFL) vise à améliorer les performances et la praticité des modèles dans des environnements hétérogènes en adaptant des méthodes pour ajuster le modèle global aux besoins uniques de chaque client.