FB-NLL: 面向带噪标签的个性化联邦学习的特征基方法

个性化联邦学习(PFL)旨在学习多个特定于任务的模型, 而不是在异构数据分布跨多个用户学习单个全局模型。现有的 PFL 方法通常依赖于迭代优化(如模型更新轨迹)来聚类需要完成相同任务的用户。然而, 这些基于学习动力学的方法本质上对低质量数据和噪声标签高度敏感, 因为受损的更新会扭曲聚类决策并降低个性化性能。为解决此问题, 我们提出了 FB-NLL, 一个以特征为中心的框架, 将用户聚类从迭代训练动力学中解耦。通过利用局部特征空间内在的异构性, FB-NLL 通过特征表示协方差的谱结构来刻画每个用户, 并利用子空间相似性来识别任务一致的用户分组。这种几何感知的聚类是标签无关的, 并在训练之前以一次性方式完成, 大幅减少了与迭代基线相比的通信开销和计算成本。补充而言, 我们引入一种基于特征一致性的检测和纠正策略, 以处理簇内的噪声标签。通过利用在学习特征空间中的方向对齐并基于类别特定特征子空间分配标签, 我们的方法在不要求估计随机噪声转换矩阵的情况下, 抑制了受损监督。此外, FB-NLL 与模型无关, 可无缝集成到现有的噪声鲁棒训练技术中。广泛的实验在多样化数据集和噪声情景下表明, 我们的方法在平均准确率和性能稳定性方面 consistently 优于最先进的基线。