加速优化

FedHarmony：协调联邦多标签学习中的异构标签相关性

FedHarmony: Harmonizing Heterogeneous Label Correlations in Federated Multi-Label Learning

对做多标签视觉识别（如多属性识别、多标签分类）的研究者，这篇论文提供了在数据分散、标签空间不一致时校正标签共现结构漂移的思路：用跨客户端的共识相关性作为全局教师来纠正本地偏置估计，并可复用于任何需要建模标签共现的分布式或去中心化训练场景。