超越固定轮次：面向实际联邦学习的数据无早停框架
机器学习
2026-02-27 v2
摘要
联邦学习（Federated Learning, FL）在不传输原始数据的前提下实现了分布式协作学习。然而，依赖固定全局轮次或验证数据进行超参数调优，会带来高计算成本和隐私风险，限制了实际部署。为此，我们提出一种数据无早停框架，通过仅监控服务器端参数中任务向量增长率来确定最优停止点。数值实验在皮肤瘤/血细胞分类上表明，我们的方法在各种最先进 FL 方法下，均可媲美基于验证数据的早停。特别地，本文框架仅需额外 45/12 轮（皮肤瘤/血细胞），即可实现超过 12.3%/8.9% 的性能提升。已知最佳的我们的方法是首个提出数据无早停框架用于 FL 方法。
引用
@article{arxiv.2601.22669,
title = {Beyond Fixed Rounds: Data-Free Early Stopping for Practical Federated Learning},
author = {Youngjoon Lee and Hyukjoon Lee and Seungrok Jung and Andy Luo and Jinu Gong and Yang Cao and Joonhyuk Kang},
journal= {arXiv preprint arXiv:2601.22669},
year = {2026}
}
备注
Replaced with experimental results on AMD MI300X AI accelerators