CRAFT: 冲突解决聚合用于联邦训练
机器学习
2026-05-21 v1
摘要
联邦学习中聚合存在冲突的客户端更新仍是异构数据分布下的根本性瓶颈。朴素平均会产生改善全局目标但与特定客户端冲突的全局更新, 导致这些客户端性能下降。本文提出 CRAFT (Conflict-Resolved Aggregation for Federated Training), 一种新的聚合框架, 将全局更新视为几何校正问题。我们将聚合形式地表述为: 寻找最接近参考方向的更新, 同时满足冲突-free 对齐约束。我们推导了受约束优化问题的闭式解, 避免迭代求解器的计算开销。此外, 我们采用层级适应以解决不同特征细节层面的冲突。我们提供的理论分析表明, CRAFT 促进常见-下降结构，通过其投影几何减轻冲突。大量实验在异构基准测试上表明, CRAFT 在全局模型准确率方面优于最新基线, 同时降低了客户端间的性能差异。CRAFT 的源代码可在 https://github.com/tum-pbs/CRAFT 查看。
引用
@article{arxiv.2605.21317,
title = {CRAFT: Conflict-Resolved Aggregation for Federated Training},
author = {Ziqi Wang and Qiang Liu and Nils Thuerey},
journal= {arXiv preprint arXiv:2605.21317},
year = {2026}
}