Chun-Mei Feng

FedIns s'attaque aux défis de données dans l'apprentissage fédéré pour améliorer les performances des modèles.

DiffTPT améliore l'adaptabilité et la précision des modèles grâce à des techniques d'augmentation de données innovantes.

CPT améliore la performance des modèles boîte noire sans accès direct aux paramètres internes.

Une nouvelle méthode améliore la segmentation des images médicales en utilisant les dossiers textuels disponibles.

Une approche innovante pour répondre aux questions en utilisant de grands ensembles d'images.

Découvre de nouvelles méthodes en apprentissage automatique pour une meilleure reconnaissance des classes.

RHFL+ s'attaque au bruit des données et aux différences de modèles dans l'apprentissage fédéré.