通过时空统计聚合增强联邦类增量学习
机器学习
2026-01-27 v3 人工智能
摘要
联邦类增量学习（FCIL）支持从分布式数据中进行类增量学习（CIL）。现有的 FCIL 方法通常将旧知识保存集成到本地客户端训练中。然而，这些方法无法避免由数据异构性引起的时空客户端漂移，并且经常产生显著的计算和通信开销，限制了实际部署。为了同时解决这些挑战，我们提出了一种新方法：时空统计聚合（STSA），它提供了一个统一的框架，在空间上（跨客户端）和时间上（跨阶段）聚合特征统计量。聚合后的特征统计量不受数据异构性的影响，并且可以在每个阶段以闭式解形式用于更新分类器。此外，我们引入了 STSA-E，一种具有理论保证的通信高效变体，在通信开销低得多的情况下实现了与 STSA-E 相似的性能。在三个广泛使用的 FCIL 数据集上，针对不同程度的数据异构性进行的广泛实验表明，我们的方法在性能、灵活性以及通信和计算效率方面均优于最先进的 FCIL 方法。代码可在 https://github.com/Yuqin-G/STSA 获取。
引用
@article{arxiv.2506.01327,
title = {Enhancing Federated Class-Incremental Learning via Spatial-Temporal Statistics Aggregation},
author = {Zenghao Guan and Guojun Zhu and Yucan Zhou and Wu Liu and Weiping Wang and Jiebo Luo and Xiaoyan Gu},
journal= {arXiv preprint arXiv:2506.01327},
year = {2026}
}
备注
WWW 2026