[AAAI 2026, CCF A] 祝贺盖露阳等同学论文被人工智能领域顶会AAAI录用！
点击次数：
发布时间：2026-03-26
发布时间：2026-03-26
文章标题：[AAAI 2026, CCF A] 祝贺盖露阳等同学论文被人工智能领域顶会AAAI录用！
内容：
BIQ: Bisection Interval Quantization for Communication-efficient Federated Learning（作者：Luyang Gai, Shusen Yang*, Xuebin Ren, and Zihao Zhou）。该工作提出了一个通信高效联邦学习算法BIQ。该算法能够通过递归二分法在分布式客户端间优化量化区间选择，而无需额外的参数通信开销，从而在保持高量化精度的同时显著降低通信成本。具体地，我们设计了两个新方案：1）基于二进制编码递归二分区间的BIQ量化器，每个比特编码客户端的局部二分路径，消除了量化区间显式对齐的需求；2）加权二分区间量化（WBIQ），针对边界输入场景，结合最大似然估计思想细化边界值重构，以提升估计质量。此外，我们在理论上首次严格证明了在有偏量化条件下，BIQ和WBIQ均能实现更紧的误差界和更强的稳定性，并推导了其在强凸和非凸设置下的收敛性。大量基于真实数据集的实验表明，与现有量化方法相比，BIQ和WBIQ在相同的低分辨率设置下，能够显著加速联邦学习训练的收敛速度，并在I.I.D.和Non-I.I.D.数据分布下均实现了更高的模型准确率，且训练开销与其他量化算法相当。
图1：BIQ算法的编码上传过程