面向单次联邦学习的全局特征统计捕获
机器学习
2025-03-11 v1 人工智能
摘要
传统的联邦学习（FL）需要服务器与客户端之间进行多轮通信，带来了高昂通信成本、连接中断风险及易受隐私攻击等严峻挑战。单次联邦学习通过在单轮通信中完成全局服务器模型的训练，已成为克服上述缺陷的极具吸引力的学习范式。然而，现有的单次联邦学习方法在服务器或客户端上计算成本高昂，且无法稳定有效地处理非独立同分布（non-IID）数据。为了应对这些挑战，本文提出了 FedCGS，一种利用预训练模型捕获全局特征统计的新型联邦学习算法。借助全局特征统计，我们实现了免训练且抗异构的单次联邦学习。此外，我们将其应用扩展至个性化场景，客户端仅需与服务器进行额外一轮通信以下载全局统计信息。大量实验结果证明了我们的方法在多种数据异构设置下的有效性。代码可在 https://github.com/Yuqin-G/FedCGS 获取。
引用
@article{arxiv.2503.06962,
title = {Capture Global Feature Statistics for One-Shot Federated Learning},
author = {Zenghao Guan and Yucan Zhou and Xiaoyan Gu},
journal= {arXiv preprint arXiv:2503.06962},
year = {2025}
}
备注
AAAI 2025