探索TypiClust在低预算联邦主动学习中的可行性
机器学习
2025-11-20 v1 人工智能
计算机视觉与模式识别
摘要
联邦主动学习（FAL）旨在在联邦学习现实约束条件下，通过利用主动学习（AL）来减少标注负担。鉴于FAL场景获取真实标签成本较高，在标注资源极其有限的低预算场景中，仍有效的FAL策略亟需被探索。本文我们检验了在低预算FAL场景中，TypiClust这一成功的低预算AL策略的有效性。我们的实验结果表明，尽管低预算FAL场景相较传统AL引入了数据异构性等额外挑战，但TypiClust仍能取得良好性能，而其他方法表现相对较低。此外，我们展示了FAL场景会导致基于典型性（typicality）的分布迁移，但TypiClust对此并不敏感。我们还分析了TypiClust对特征提取方法的敏感性，并指出其在数据有限情况下进行FAL的可行路径。
引用
@article{arxiv.2505.19404,
title = {Exploring the Possibility of TypiClust for Low-Budget Federated Active Learning},
author = {Yuta Ono and Hiroshi Nakamura and Hideki Takase},
journal= {arXiv preprint arXiv:2505.19404},
year = {2025}
}
备注
6 pages. Accepted at COMPSAC 2025