个性化联邦学习中自适应潜在空间约束
机器学习
2025-10-27 v2
摘要
联邦学习是一种在由不同客户端持有的数据上训练深度学习模型的有效且广泛使用的方法。联邦学习还能够增强对训练数据的安全性和隐私性保护。与分布式数据集之间的统计异构性相关的常见挑战，催生了个人化联邦学习(pFL)方法的重要兴趣，这些方法使模型能够结合全球学习的方面，以及针对每个客户独特特征的本地建模。本文研究了在pFL中应用以理论为依据的自适应MMD测度的有效性，主要关注一种来自 Ditto 框架的前沿技术，用于处理分布式数据异构性。此类测度的使用在各种任务中显著提高了模型性能，尤其是那些具有显著特征异构性的任务。额外的实验表明，这些测度直接适用于其他pFL技术，并且在多个数据集上产生类似的改进。最后，结果激励了针对预期在联邦学习系统中各种类型异构性制定的约束。
引用
@article{arxiv.2505.07525,
title = {Adaptive Latent-Space Constraints in Personalized Federated Learning},
author = {Sana Ayromlou and Fatemeh Tavakoli and D. B. Emerson},
journal= {arXiv preprint arXiv:2505.07525},
year = {2025}
}
备注
20 Pages, 1 Algorithm, 3 Figures, 6 Tables