面向联邦学习的标签偏斜 SNN

深度脉冲神经网络 (SNN) 的能源效率与资源受限边缘设备的约束相吻合，使 SNN 成为一个充满前景的基础，用于利用这些设备收集的广泛数据。为了解决在边缘设备上部署 SNN 时的数据隐私问题，联邦学习 (FL) 通过利用分布在边缘设备上的数据进行协作模型训练，而无需将本地数据传输到中心服务器。然而，现有的 FL 方法在面对跨设备标签偏斜数据时表现不佳，这会导致本地 SNN 模型漂移并降低全局 SNN 模型的性能。本文提出了名为 FedLEC 的新型框架， incorporates intra-client label weight calibration to balance the learning intensity across local labels and inter-client knowledge distillation to mitigate local SNN model bias caused by label absence. 对于三种不同结构的 SNN 和五个数据集 (即三个非神经形态和两个神经形态数据集) 进行大量实验，证明了 FedLEC 的有效性。在各种标签偏斜分布设置下，FedLEC 相对于八种最先进的 FL 算法实现了约 11.59% 的平均准确率提升。