面向域偏斜的联邦学习：特征解耦与校准
机器学习
2026-03-17 v1 多媒体
摘要
联邦学习允许分布式客户端在隐私保护的前提下协同训练全局模型。然而，一个主要挑战是域偏斜，即来自不同域的客户端数据可能阻碍聚合后的全局模型学习一致的表示空间，导致其在多个域中表现差。本文指出，域偏斜体现在每个客户端特定域的偏置特征中，导致局部模型的表示坍缩为窄的低维子空间。我们提出了 Federated Feature Decoupling and Calibration (DC)，通过校准域特定偏置特征来解放有价值的类别相关信息，从而实现跨域更一致的表示。我们首次引入 Domain Feature Decoupler (DFD) 于 DC 中，用于确定每个特征单元的鲁棒性，从而将局部特征分为域鲁棒特征和域相关特征。进一步提出 Domain Feature Corrector (DFC) 通过显式关联判别信号来校准这些域相关特征，捕获补充域鲁棒特征的额外类别相关线索。最后，对局部模型进行域感知聚合，以促进客户端之间的共识。在三个流行的多域数据集上进行的实验结果表明，所提出的 DC 以及其两个模块的贡献均显示有效。代码已公开于 https://github.com/mala-lab/F2DC。
引用
@article{arxiv.2603.14238,
title = {Domain-Skewed Federated Learning with Feature Decoupling and Calibration},
author = {Huan Wang and Jun Shen and Jun Yan and Guansong Pang},
journal= {arXiv preprint arXiv:2603.14238},
year = {2026}
}
备注
Accepted at CVPR 2026