APFL：基于双流最小二乘的解析化个人化联邦学习

个人化联邦学习（PFL）一直是通过协同训练为每个客户提供个性化模型方面面临的重大挑战。现有的PFL方法往往容易受非独立同分布数据影响，这严重阻碍了集体泛化性，进而损害后续个人化努力。本文提出一种解析化个人化联邦学习（APFL）方法，通过双流最小二乘来实现。我们在APFL中使用作为冻结主干的基础模型进行特征提取。在特征提取器之后，我们开发双流解析模型，以实现集体泛化和个体个人化。具体而言，我们的APFL包含一个用于跨所有客户实现全局泛化的共享主流，以及为每个 individual 客户进行本地个人化的专用细化流。我们的APFL的解析解使其具有理想的异构性不变性，从而理论上意味着每个个人化模型无论如何异构的数据在所有其他客户之间都是相同的。各种数据集的实证结果也验证了我们APFL相对于最先进的基线至少提高1.10%-15.45%在准确率上的优势。