Fed-ADE：面向分布迁移的联邦后适应自适应学习率
机器学习
2026-03-03 v1
摘要
在部署后设置的联邦学习中必须适应来自异构客户端的非平稳数据流，且无法获取真实标签。主要挑战在于在客户端特定、随时间变化的分布迁移下进行学习率选择，其中固定学习率常导致欠拟合或发散。我们提出 Fed-ADE（Federated Adaptation with Distribution Shift Estimation），一种无监督的联邦适应框架，利用分布动力学的轻量估计器。具体而言，Fed-ADE 采用不确定性动力学估计捕捉预测不确定性的变化，并采用表示动力学估计检测协变量级别的特征漂移，将两者融合为每个客户端、每个时间步的自适应学习率。我们提供理论分析，表明我们的动力学估计近似于底层分布迁移，并可获得动态谢逊和收敛保证。在多样化分布迁移（标签和协变量）下，对图像和文本基准进行实验，结果显示相较于强基线持续取得改进。这些结果表明，分布迁移感知的适应性方法在面对现实世界的非平稳性时可实现有效且稳健的联邦后适应。
引用
@article{arxiv.2603.01040,
title = {Fed-ADE: Adaptive Learning Rate for Federated Post-adaptation under Distribution Shift},
author = {Heewon Park and Mugon Joe and Miru Kim and Kyungjin Im and Minhae Kwon},
journal= {arXiv preprint arXiv:2603.01040},
year = {2026}
}
备注
Accepted at CVPR 2026