面向个性化联邦学习的基于图的动态集成选择方法
计算机视觉与模式识别
2026-03-31 v1
摘要
联邦学习中的统计异质性常导致负迁移，即单一全局模型无法服务于多样化的 client 分布。个性化联邦学习 (pFL) 旨在通过为 individual clients 定制模型来解决这一问题。然而，在大多数现有 pFL 方法下，clients 对 peer client 贡献的集成是均匀的，这忽略了并非所有 peer 都 equally beneficial 的现实情况。此外，尽管不同 peer 模型在同一 client 的 individual samples 上可靠性有所不同，但 instance 级别的个性化潜力仍基本未被探索。我们引入 FedDES (Federated Dynamic Ensemble Selection)，即一种 decentralized pFL 框架，通过 dynamic ensemble selection 实现 instance 级别的个性化。我们方法的核心是训练在建模 data samples 与 candidate classifiers 之间相互作用的异构图上的 Graph Neural Network (GNN) meta-learner。对于每个 test query，GNN 动态选择并加权 peer client models，形成由最具竞争力的 classifiers 组成的 ensemble，同时有效抑制那些对 performance 不相关或可能有害的贡献。在 CIFAR-10 和真实世界 ICU 医疗数据上的实验表明，FedDES 在 non-IID 设置下优于 state-of-the-art pFL baseline，提供了对负迁移的稳健保护。
关键词
引用
@article{arxiv.2603.28008,
title = {Energy-Aware Imitation Learning for Steering Prediction Using Events and Frames},
author = {Hu Cao and Jiong Liu and Xingzhuo Yan and Rui Song and Yan Xia and Walter Zimmer and Guang Chen and Alois Knoll},
journal= {arXiv preprint arXiv:2603.28008},
year = {2026}
}
备注
Submitted to the journal