WHERE to Generate Matters: Budget-bewusste synthetische Augmentierung für Label-schiefe föderales Lernen

arXiv:2607.06616v1 Ankündigungstyp: neu Abstract: Label-Schiefen im föderalen Lernen (FL) verursachen Client-Drift und verschlechtern die globale Genauigkeit. Synthetische Datenerweiterung kann dieses Ungleichgewicht reduzieren; eine vollständige Klassenausgleichung erfordert jedoch erhebliche Rechenkosten. Wir schlagen FedEAS vor, eine Richtlinie, die