基于异常分布检测的联邦学习自适应双重加权框架
机器学习
2026-02-03 v1 人工智能
摘要
联邦学习（Federated Learning）通过在大规模分布式服务节点之间进行协作模型训练，同时保留数据隐私，成为边缘云环境中智能服务系统的基石。然而，在现实面向服务的部署中，由异构用户、设备和应用场景生成的数据本质上是非独立同分布（non-IID）的。这种严重的数据异构性严重削弱了全局模型在收敛稳定性、泛化能力以及最终服务质量方面的表现。为解决这一挑战，本文提出了受异常分布检测（out-of-distribution, OOD）启发的 novel FL 框架——FLood。FLood 通过双重加权机制动态抵消数据异构性的负面影响，分别治理本地训练和全局聚合。在客户端层面，框架通过对伪异常分布样本进行加权来重新权重监督损失，从而鼓励从分布不匹配或具有挑战性的数据中进行更稳健的学习。在服务器层面，框架根据客户端的异常分布置信度对客户端贡献进行加权，优先选择来自分布一致性更高的客户端的更新，从而增强全局模型的鲁棒性和收敛稳定性。实验在多种基准数据集上进行，涵盖多种非IID设置，结果表明 FLood 在准确率和泛化能力上均优于当前最先进的联邦学习方法。此外，FLood 作为一个与现有联邦学习算法集成的正交插件模块，无需修改其核心优化逻辑，即可提升其在数据异构性场景下的性能。这些特性使 FLood 成为在实际联邦环境中部署可靠智能服务的实用且可扩展的解决方案。
引用
@article{arxiv.2602.01039,
title = {Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection},
author = {Zhiwei Ling and Hailiang Zhao and Chao Zhang and Xiang Ao and Ziqi Wang and Cheng Zhang and Zhen Qin and Xinkui Zhao and Kingsum Chow and Yuanqing Wu and MengChu Zhou},
journal= {arXiv preprint arXiv:2602.01039},
year = {2026}
}