Fed-BAC：分层联邦学习中的联邦赌博机引导加性聚类
机器学习
2026-05-13 v1
摘要
分层联邦学习利用边缘服务器在边缘计算中进行部分聚合。然而，现有的联邦学习方法缺乏在数据异构性下联合优化聚类分配和客户端选择的机制。本文提出了Fed-BAC，它将加性聚类个性化与一个两级赌博机框架相结合：云端的上下文赌博机学习服务器到聚类的分配，而每个边缘服务器上的汤普森采样识别高贡献客户端。加性分解使得通过全局聚合网络在组间共享知识成为可能，而聚类特定网络则捕捉分布差异。在CIFAR-10、SVHN、Fashion-MNIST三个分类基准上，于中等（）和严重（）的狄利克雷非独立同分布划分下，Fed-BAC相比HierFAVG实现了高达+35.5个百分点的分布式准确率提升，相比IFCA实现了+8.4个百分点的提升，同时仅需80%的客户端参与，收敛速度根据数据集和准确率目标快1.5至4.8倍，并改善了跨服务器公平性。这些增益在CIFAR-10上以5倍部署规模得到了进一步验证。Fed-BAC的优势随着异构性严重程度的增加而增加，证实了随着数据分布差异的扩大，加性聚类个性化变得越来越有价值。
引用
@article{arxiv.2605.11815,
title = {Fed-BAC: Federated Bandit-Guided Additive Clustering in Hierarchical Federated Learning},
author = {Satwat Bashir and Tasos Dagiuklas and Muddesar Iqbal},
journal= {arXiv preprint arXiv:2605.11815},
year = {2026}
}
备注
9 pages, 5 figures. Accepted at the 2nd International Conference on Federated Learning and Intelligent Computing Systems (FLICS 2026), Valencia, Spain, June 9-12, 2026. To appear in IEEE proceedings