选择胜于努力：通过再校准与能力区分实现联邦学习中互补知识融合
机器学习
2025-08-26 v1
摘要
联邦学习中跨客户端数据异构性导致偏差，阻碍无偏共识浓缩和通用性与个人化知识的互补融合。虽然现有方法通过模型解耦和表示中心损失缓解异构性，但往往依赖静态且受限的指标评估本地知识，并过于刚性地采用全局对齐，导致共识失真和模型适应性下降。为此，我们提出FedMate方法，通过双向优化来实现上述目标：在服务器端，构建动态全局原型，通过整体集成样本规模、当前参数及未来预测来校准聚合权重；随后使用该原型微调类别级分类器以保持全局一致性。在客户端，引入互补分类融合以实现基于能力的判别训练，并纳入成本感知特征传输以平衡模型性能与通信效率。在五个数据集上的实验表明，FedMate在协调通用性与适应性方面优于最先进的方法。此外，针对自动驾驶数据集的语义分割实验验证了该方法的实际可扩展性。
引用
@article{arxiv.2508.17954,
title = {Choice Outweighs Effort: Facilitating Complementary Knowledge Fusion in Federated Learning via Re-calibration and Merit-discrimination},
author = {Ming Yang and Dongrun Li and Xin Wang and Xiaoyang Yu and Xiaoming Wu and Shibo He},
journal= {arXiv preprint arXiv:2508.17954},
year = {2025}
}