面向联邦学习的数据免费客户端贡献估计：基于 Logit 最大化
机器学习
2026-05-20 v1 人工智能
分布式、并行与集群计算
摘要
联邦学习（FL）使计算机视觉模型得以协同训练，由于隐私和监管限制，数据无法跨设备或组织集中。然而，实际的 FL 部署常常存在严重的类别不平衡和标签偏斜，导致标准聚合协议过拟合主导客户端，损害少数类别性能。我们提出一种无数据、基于 Logit 最大化的数据免费、类别级贡献估计与聚合框架，无需共享原始数据、客户端元数据或辅助公共数据集。FL 服务器探测客户端更新以获取类别证据得分，并构建跨客户端证据矩阵，该矩阵量化了每个类别的能力和覆盖范围。利用该矩阵，我们计算贡献权重，以提高为 underrepresented 类别提供强有力且具辨识力的证据的客户端的权重。 resulting aggregation 由于 simplex 约束和动量平滑而稳定，且与标准 FL 训练管线兼容。我们在受控非 IID 和病理标签分割情形下的代表性视觉基准测试上进行评估，表明基于 CELM 的聚合方法在应对不平衡和统计异质性方面更具鲁棒性，同时在不要求额外数据交换的前提下实现更佳性能。
引用
@article{arxiv.2605.18892,
title = {Data-Free Client Contribution Estimation via Logit Maximization for Federated Learning},
author = {Asim Ukaye and Nurbek Tastan and Mubarak Abdu-Aguye and Karthik Nandakumar},
journal= {arXiv preprint arXiv:2605.18892},
year = {2026}
}
备注
22 pages, 7 figures