Exemplar-Condensed联邦类增量学习
机器学习
2025-06-04 v2 人工智能
摘要
我们提出Exemplar-Condensed联邦类增量学习(ECoral)方法，通过信息丰富的再现样本来提炼实时图像在流式数据中的训练特征。该方法消除了基于回放的联邦持续学习中用于缓解灾难性遗忘的样本选择局限性。这些局限性尤其涉及每组总结数据信息密度的异质性问题。我们的方法通过保持训练梯度的一致性以及与过去任务的关联性，使总结后的样本能够有效代表流式数据。此外，方法通过跨客户端共享解缠生成模型，降低了总结数据在信息层面的异质性。大量实验表明，我们的ECoral在多个领域优于多种最先进方法，并且可以无缝集成到许多现有方法中以提升性能。
引用
@article{arxiv.2412.18926,
title = {Exemplar-condensed Federated Class-incremental Learning},
author = {Rui Sun and Yumin Zhang and Varun Ojha and Tejal Shah and Haoran Duan and Bo Wei and Rajiv Ranjan},
journal= {arXiv preprint arXiv:2412.18926},
year = {2025}
}