针对工业物联网中数据异构性的对抗式联邦共识学习用于表面缺陷分类
机器学习
2024-11-04 v2 人工智能
信号处理
摘要
数据稀缺性阻碍了深度学习在工业表面缺陷分类 (SDC) 中的应用，因为在工业物联网 (IIoT) 中收集和集中足够的训练数据困难且涉及隐私问题。联邦学习 (FL) 通过在保持隐私的同时跨客户端进行协作式全局模型训练，提供了解决方案。然而，由于数据异构性——不同客户端数据分布差异，性能可能受到影响。本文提出一种新型个人化联邦学习 (PFL) 方法，称为对抗式联邦共识学习 (AFedCL)，用于解决 SDC 中不同客户端的数据异构性问题。首先，我们开发了动态共识构建策略，以缓解数据异构性导致的性能下降。通过对抗训练，来自不同客户端的局部模型利用全局模型作为桥梁实现分布对齐，缓解全局知识遗忘的问题。补充该策略，我们提出了一种共识感知聚合机制。该机制根据各客户端在全局知识学习中的效果为不同客户端分配聚合权重，从而增强全局模型的泛化能力。最后，我们设计了一个自适应特征融合模块，以进一步提高全局知识的利用效率。逐渐调整每个客户端的个人化融合权重，以最佳方式平衡全局与局部特征。与类似 FedALA 等最新联邦学习方法相比，所提出的 AFedCL 方法在三个 SDC 数据集上实现的准确率提升最高可达 5.67\%。
引用
@article{arxiv.2409.15711,
title = {Adversarial Federated Consensus Learning for Surface Defect Classification Under Data Heterogeneity in IIoT},
author = {Jixuan Cui and Jun Li and Zhen Mei and Yiyang Ni and Wen Chen and Zengxiang Li},
journal= {arXiv preprint arXiv:2409.15711},
year = {2024}
}