Fed-REACT：面向异构与演化数据的联邦表示学习
机器学习
2025-09-10 v1 分布式、并行与集群计算
摘要
受集中式机器学习的高资源成本和隐私问题驱动，联邦学习（FL）已成为一种高效的替代方案，使客户端能够在保持数据本地化的同时协作训练全局模型。然而，在实际部署中，客户端数据分布往往随时间演化且在不同客户端之间存在显著差异，这种异构性会降低标准联邦学习算法的性能。在本工作中，我们引入了 Fed-REACT，一个专为异构和演化的客户端数据设计的联邦学习框架。Fed-REACT 通过一个两阶段过程将表示学习与演化聚类相结合：（1）在第一阶段，每个客户端学习一个局部模型以从其数据中提取特征表示；（2）在第二阶段，服务器基于这些表示动态地将客户端分组为簇，并协调针对下游目标（如分类或回归）的特定任务模型的集群式训练。我们对表示学习阶段进行了理论分析，并通过实验证明 Fed-REACT 在真实世界数据集上实现了卓越的准确性和鲁棒性。
引用
@article{arxiv.2509.07198,
title = {Fed-REACT: Federated Representation Learning for Heterogeneous and Evolving Data},
author = {Yiyue Chen and Usman Akram and Chianing Wang and Haris Vikalo},
journal= {arXiv preprint arXiv:2509.07198},
year = {2025}
}