面向联邦类增量学习的类别平衡数据重放

联邦类增量学习（Federated Class Incremental Learning, FCIL）旨在跨多个客户端协同处理连续增加的输入任务。尽管存在多种方法，但数据重放已成为一种有前景的解决方案，通过重新引入来自先前任务的代表性样本来缓解遗忘。然而，其性能通常受限于类别不平衡，既由于全局意识有限导致的重放缓冲区内，也由于与新到来类别之间的不平衡。为解决这一问题，我们提出一种面向 FCIL 的类别平衡数据重放方法（FedCBDR），其采用全局协调机制进行类别级记忆构建，并对学习目标进行重新加权，以缓解上述不平衡。具体而言，FedCBDR 包含两个关键组件：1）全局视角数据重放模块以隐私保护方式重建先前任务的全局表示，然后引导一种类别感知和重要性敏感的抽样策略，以实现平衡重放；2）随后，为处理跨任务的类别不平衡，任务感知温度缩放模块根据任务动态在类别和实例水平上自适应调整逻辑温度，从而降低模型对多数类别的过度自信，同时增强其对少数类别的敏感性。实验结果验证，FedCBDR 在异构数据分布下实现类别级平衡抽样，并在早期与近期任务之间的任务不平衡下提升泛化性能，相较于六种最先进的方法实现了 2%~15% 的 Top-1 准确率提升。